Pourquoi les règles ne suffisent plus
Les règles classiques (« >5 clics depuis une IP », « geo hors whitelist ») ne capturent que la fraude primitive. Les bots modernes font tourner des residential IP et imitent le scroll et le time-on-site. Le ML cherche des patterns, qu’une personne n’écrirait pas en if-else : corrélations de device fingerprint, referrer, heure, vitesse de navigation.
Trois piliers de l’antifraude ML
- Device / browser fingerprint. Pas seulement le User-Agent — canvas, WebGL, timezone drift, incohérences de langue. Un « humain » avec une dizaine d’empreintes est un signal de farm.
- Behavioral biometrics. Trajectoire de la souris, rythme de scroll, pauses entre actions. Le synthetic traffic est souvent « trop parfait ».
- Anomaly detection. Les modèles Unsupervised captent des pics sans labeled fraud — utile face aux schémas zero-day.
AI Selena dans ClikBy : ce que nous affirmons honnêtement
AI Selena — un ensemble de modèles pour évaluer la qualité du clic et de la visite sur les liens intelligents : conversion score, statuts confirmed / bot_server / bot_filter. Le système analyse des signaux techniques et comportementaux au redirect et sur le site après le clic.
Мы не positionnons pas Selena comme un substitut au ML transactionnel de niveau bancaire, ne garantissons pas « un blocage à 100 % de tous les bots » et ne délivrons pas de certificats que le produit n’a pas. La valeur — voir plus clairement le junk traffic dans le marketing funnel et de ne pas l’alimenter au retargeting.
« Le ML dans l’antifraude est une course aux armements. Notre rôle n’est pas de promettre de la magie, mais de donner au marketeur une couche mesurable de qualité des clics avant qu’il ne brûle son budget trimestriel. »
Comment ne pas aller trop loin avec le ML au déploiement
- Commencez en mode observation : suivez la part de bots pendant 2 à 4 semaines sans blocages stricts.
- Croisez le scoring avec les métriques business (lead quality, sales), pas seulement avec le « % bot ».
- Documentez les false positives — en fintech/e-com, ils coûtent plus cher qu’un bot manqué.
Plus de détails sur les termes : glossaire des termes antifraude.
Supervised vs unsupervised en pratique
Supervised les modèles ont besoin de données labellisées bot/confirmed — ils sont précis là où le schéma a déjà été vu. Unsupervised détectent de nouveaux clusters, mais génèrent plus de false positives. Selena combine les approches en ensemble.
Drift et réapprentissage
Les bots s’adaptent aux filtres en quelques semaines. ClikBy met à jour le scoring sur la plateforme ; le client doit revoir les seuils des campagnes et les listes d’exclusion dans Ads chaque trimestre.
