L’Intelligence Artificielle contre la fraude dans les transports publics

500 à 600 Millions d’Euros, tel est le montant estimé de la fraude dans les transports publics en France. Il y a bien sûr des disparités selon les territoires, mais la Région Île-de-France est particulièrement touchée.
Pour autant, le chiffre est si important qu’il a mis en alerte les pouvoirs publics ainsi que les Autorités Organisatrices de Mobilités, les opérateurs de transport et les associations de voyageurs.

Source : STIB Tailgating

Que fait-on pour y remédier ?

Une telle perte de recettes a des conséquences désastreuses sur la qualité du service transport. Elle occasionne, en effet, une diminution des moyens financiers auxquels les opérateurs de transport pourraient prétendre pour l’achat de nouveaux matériels roulants, l’entretien et la maintenance des équipements, le développement de nouveaux services aux usagers. Elle porte, par ailleurs, atteinte à leur image en générant un sentiment d’insécurité et d’injustice auprès des voyageurs qui paient leur titre de transport.

Des réponses juridiques et répressives ont été apportées jusqu’à présent à cette situation et différentes stratégies de lutte contre la fraude dans les transports publics ont été déployées par les opérateurs de transport avec le soutien du GART (Groupement des AOM) et d’associations telles qu’AGIR, Régions de France et la FNAUT. 

Elles ont visé à actualiser le niveau des amendes appliquées qui était resté inchangé depuis 1942, à partager les données concernant les contrevenants pour éviter les fausses identités et les adresses fournies au moment où le PV est dressé, à sanctionner plus sévèrement les fraudeurs récidivistes, à réprimer les mutuelles qui assurent leurs adhérents fraudeurs en cas de sanctions et à pénaliser le signalement de la présence d’agents de contrôle via des applications mobiles dédiées ou des SMS.

La piste IA reste à explorer

Pour autant, les nouvelles technologies devraient également apporter des solutions innovantes, plus performantes et agiles en les plaçant, au niveau du parcours client, juste en amont du passage à l’acte de fraude, c’est-à-dire au moment de la validation du titre de transport.

C’est la piste qu’a suivie la société JARBTECH Solution Group, startup norvégienne spécialisée dans le high tech, en développant une solution à base d’Intelligence Artificielle, appelée BehaveMon, permettant de détecter efficacement les comportements de fraude, tels que sauter par-dessus,  passer par-dessous les tourniquets aux barrières de contrôle ou coller l’usager qui vient de valider son ticket pour passer en même temps que lui.

Pour ce faire, elle analyse des vidéos provenant de capteurs 3D en temps réel et utilise des algorithmes de détection sophistiqués afin d’identifier et d’arrêter les fraudeurs dans le métro. Le système est totalement automatisé et élimine de fait les comportements normaux d’usagers pour ne se concentrer que sur les fraudeurs. Qui plus est, ce dispositif accroît l’efficacité des contrôles puisque, par définition, il ne cible que les personnes contrevenantes et fait gagner un temps précieux aux contrôleurs.

Un pilote de cette solution a été expérimenté dans le métro de la Delhi Metro Rail Corporation Ltd en Inde dans les stations de Seelampur et d’Uttam Nagar. En Avril 2016, le dispositif anti-fraude comportant des capteurs, des caméras, un serveur et des routeurs WiFi y a été installé. Par la suite, c’est sur la station de Seelampur que se sont concentrés tous les efforts pour des raisons de faisabilité technique et de taux de fraude plus important.

Le déroulement de l’expérimentation

L’expérimentation in situ s’est déroulée en 4 étapes après l’installation des équipements :

• La 1e étape constituait une étape d’apprentissage. Elle a permis de détecter et de mesurer le niveau de fraude dans cette station. Elle a duré du 27 juin au 18 juillet 2016, période pendant laquelle les capteurs et les caméras ont collecté des data (séquences de vidéos). Cette base de données a ensuite été utilisée pour apprendre au système à reconnaître les situations de fraude en temps réel et à transmettre des alertes en parallèle sur des tablettes destinées aux agents de contrôle du métro. Un panneau d’information a également été installé dans la station, à proximité des lignes de contrôle, pour informer les usagers de cette expérimentation. Il portait la mention « Do not tailgate ».

 

• La 2e étape a permis de vérifier que le système avait suffisamment appris pour être considéré comme opérationnel et de lancer un test en vraie grandeur du 19 au 28 juillet 2016. JARBTECH Solution Group a pris en charge l’exploitation du système anti-fraude pendant cette période et analysé les logs concernant les situations de « tailgating ». Le nombre de situations de ce type a sensiblement diminué au fil des jours.

 

• La 3e étape s’est déroulée du 8 au 11 août 2016, période pendant laquelle le Métro de Delhi a pris le relais de l’exploitation du système anti-fraude et a fait remonter ses remarques à JARBTECH Solution Group en tant qu’utilisateur de la solution pour procéder à certains réglages et corrections.

 

• La 4e étape s’est poursuivie du 29 septembre au 8 octobre 2016, le Métro de Delhi continuant à assurer l’exploitation du système anti-fraude et à remonter des observations pour en améliorer la performance.

Analyse des résultats obtenus

L’expérimentation a permis de constater les points suivants :

1. Le système détecte facilement les situations de « tailgating » et les séquences vidéo en résultant sont générées et transmises instantanément sur les tablettes des agents de contrôle.
2. Des prises de vue de face et de dos sont fournies par les caméras installées près des barrières de contrôle. Elles permettent d’identifier avec certitude les fraudeurs et servent de preuve. Les agents de contrôle peuvent les produire en cas de besoin au moment de l’interpellation.
3. Une diminution des fraudes de l’ordre de 60 % a été constatée au cours des mesures réalisées entre les étapes 1 et 3.
4. Le système a généré de fausses alarmes. Sur un total de 449 cas pendant la période d’essai, 169 cas n’étaient pas justifiés. Une analyse approfondie a permis de révéler qu’elles étaient dues au fait que :

• Un voyageur était accompagné d’un bagage volumineux,
• Un agent de contrôle avait apporté son aide à un voyageur en difficulté,
• Le temps de passage au même tourniquet entre deux voyageurs n’était pas suffisamment long.

1. 2 à 3 fois par jour, le système ne générait pas d’alarmes alors que des cas de « tailgating » étaient constatés.
2. Le système ne détectait pas les enfants mesurant plus de 90 cm du fait que le Métro de Delhi ne l’autorise pas dans son règlement.
3. La panne de quelques capteurs a nécessité le redémarrage du système.

En dépit de ces quelques points liés aux problématiques classiques de réglage à la mise en route de tout nouveau dispositif, le système anti-fraude de JARBTECH Solution Group a donné entière satisfaction et s’avère dans son ensemble simple à utiliser et fiable. Il répond parfaitement aux objectifs de lutte contre la fraude auquel l’opérateur de transport indien doit faire face puisque, dès la phase d’expérimentation, il a permis de diminuer de manière drastique le taux de fraude. Il a, qui plus est, eu un effet dissuasif sur les fraudeurs averti par le panneau d’affichage des risques qu’ils encouraient.

La société JARBTECH Solution Group a, depuis, continué à peaufiner sa solution pour en améliorer encore les performances. Elle est désormais à la recherche de nouveaux terrains de jeu et de partenaires au niveau européen et en France en particulier afin de pouvoir élargir sa base de connaissance à de nouveaux cas de fraude et déployer industriellement sa solution.

>> Merci aux AOM, opérateurs de transport et autres organisations intéressés par ce système anti-fraude de se rapprocher de DIGINOVE Consulting qui soutient ce produit innovant pour lancer une expérimentation ou un déploiement en relation avec JARBTECH Solution Group.