Apprentissage collectif
Un modèle qui s’améliore seul.
En permanence.
Article technique — Cirkles.ai
Le problème que tout le monde a accepté comme une fatalité
Les systèmes de détection de fraude vieillissent mal. Pas parce que la technologie est mauvaise. Parce que le modèle de maintenance est structurellement défaillant. Un système classique s’entraîne une fois, se déploie, et commence immédiatement à se dégrader — pendant que les schémas frauduleux, eux, évoluent en continu.
Pour maintenir le niveau de détection, il faut des équipes qui surveillent, des analystes qui requalifient, des Data Scientists qui réentraînent, des cycles de mise en production qui prennent des semaines. Et malgré tout ça, le système court toujours après la fraude d’hier.
La vraie question n’est pas « comment détecter mieux aujourd’hui ? » — c’est « comment faire en sorte que le système soit meilleur demain, sans intervention ? »
+1M
de dossiers enrichissent les modèles en temps réel
L’apprentissage collectif : un principe, pas une promesse
L’idée centrale de Cirkles est simple à énoncer et complexe à implémenter : chaque dossier traité dans le réseau — qu’il soit validé, signalé ou rejeté — devient une donnée d’entraînement pour les modèles partagés.
Ce n’est pas un système de votes ou de réputation. Ce n’est pas une base de données mise à jour périodiquement. C’est un processus d’apprentissage continu, dans lequel chaque signal — documentaire, comportemental, contextuel — vient affiner la compréhension statistique de ce qu’est un schéma frauduleux.
Ce que ça change concrètement :
Un schéma de fraude qui apparaît chez un membre en janvier est cartographié, anonymisé, intégré aux modèles. En février, quand un profil similaire se présente chez un autre membre — dans un autre secteur, dans un autre pays — le modèle le reconnaît. Pas parce qu’il a été programmé pour le faire. Parce qu’il a appris.
01
Dossier soumis
par le membre A
→
02
Modèle mis à jour
en temps réel
→
03
Réseau protégé —
tous les membres
bénéficient
Pourquoi la taille du réseau n’est pas un avantage parmi d’autres — c’est l’avantage
Dans un système d’apprentissage collectif, la performance n’est pas linéaire par rapport au nombre de membres. Elle est exponentielle.
Un modèle entraîné sur les données d’un seul acteur apprend les schémas frauduleux de cet acteur — ses produits, ses parcours, sa clientèle. Ses angles morts sont précisément les schémas qui ne se manifestent pas dans son périmètre.
Un modèle entraîné sur les données de cent acteurs différents — banques, assureurs, leaseurs, acteurs de l’énergie, e-commerçants — apprend des schémas transversaux. Il voit les fraudes qui traversent les secteurs. Il détecte les groupes organisés qui multiplient les cibles. Il reconnaît les patterns que personne ne peut voir seul parce qu’ils se distribuent sur plusieurs périmètres.
Chaque nouveau membre apporte deux choses : ses propres signaux, qui enrichissent les modèles — et l’accès aux signaux de tous les autres, dont il bénéficie immédiatement.
« CIRKLES n’est pas seulement un outil de scoring. Il devient progressivement une couche d’intelligence collaborative à l’échelle de l’écosystème du financement. »
— Directeur Général Adjoint, Groupe Financement Automobile
Ce que « sans paramétrage manuel » signifie vraiment pour une DSI
C’est la partie qui mérite d’être précisée, parce que « automatique » est un mot souvent galvaudé.
Ce qui est automatique chez Cirkles :
- L’intégration des nouveaux signaux dans les modèles
- L’ajustement des pondérations
- La détection de nouveaux patterns comportementaux
- L’extension de la couverture à de nouveaux schémas frauduleux
Tout ça se passe sans action de votre côté — pas de ticket, pas de réentraînement manuel, pas de cycle de mise en production.
Ce qui reste entre vos mains :
- La politique de décision et les seuils d’acceptation
- Les règles métier spécifiques à votre secteur et à votre appétence au risque
- L’interprétation des alertes
Cirkles produit un signal enrichi et documenté — la décision finale reste la vôtre.
Système classique
Cirkles
Réentraînement périodiqueApprentissage continu
Règles mises à jour manuellementModèles qui s’adaptent seuls
Angles morts propres à chaque acteurCouverture transversale du réseau
Performance stable ou décroissantePerformance croissante avec le réseau
Détection des entités connuesDétection des schémas comportementaux
La confidentialité dans un système d’apprentissage partagé
Ce qui circule dans le réseau, ce sont des empreintes anonymisées — jamais des données clients. Vos dossiers restent chez vous.
La question se pose naturellement : si mes dossiers enrichissent les modèles, qu’est-ce qui est partagé ? La réponse est architecturale : des représentations vectorielles anonymisées, jamais des données identifiables.
Ce qui rejoint le réseau, c’est l’information que « ce type de configuration est associé à ce type de résultat » — sans exposer l’identité, le document, ni les données personnelles qui ont permis de l’établir.
Hébergement souverain en France, RGPD natif, chiffrement de bout en bout. Vos juristes valident en quelques jours, pas en mois.
Ce qui circule dans le réseau
- Empreintes anonymisées
- Signaux comportementaux agrégés
- Patterns statistiques
Ce qui ne circule jamais
- Données clients identifiables
- Documents originaux
- Informations nominatives
Les implications opérationnelles à moyen terme
Un système dont la performance croît avec le temps a des conséquences pratiques qui méritent d’être anticipées.
- Le coût marginal de la détection diminue. Moins d’analystes mobilisés sur les faux positifs. Moins de dossiers en attente de contrôle manuel.
- La couverture s’étend sans effort supplémentaire. Chaque nouveau schéma détecté dans le réseau élargit automatiquement votre protection.
- La détection devient prédictive. Un modèle qui a observé des millions de dossiers développe une capacité à détecter des signaux faibles avant que la fraude soit caractérisée.
Cirkles.ai — Intelligence collective contre la fraude
Millions de dossiers · Hébergement souverain Europe · AI Act compliant
© 2026 Cirkles.ai. Tous droits réservés.