Doxing Dark Money: Entity Resolution to Empower AI in Anti-Fraud | Paco Nathan, Senzing

Doxing Dark Money: Entity Resolution to Empower AI in Anti-Fraud | Paco Nathan, Senzing

par Paco Nathan

Sciences appliquées & ingénierie Informatique & Cybersécurité UInformatique et technologies de l’informationUNBases de données
🎙 Paco Nathan 👥 5K 📅 23 octobre 2025 ⏱ 26 min 👁 52 📄 conférence technique 🧭 2026-08-15
Disponible en : Français (actuel) English

Mots-clés

entity resolutionanti-fraudgraph analyticsAIMLOps

Résumé

Paco Nathan, Principal DevRel Engineer chez Senzing, présente lors du MLOps World | GenAI Summit 2025 comment l’entity resolution (ER) est utilisée pour lutter contre la fraude financière à grande échelle. Il commence par contextualiser le problème : environ 3 000 milliards de dollars transitent chaque année par des sociétés écrans et paradis fiscaux, alimentant corruption et criminalité. Il illustre avec le cas de la ‘Azerbaijani laundromat’, un scandale de blanchiment d’argent via des centaines de sociétés écrans. Nathan explique que les défenseurs pensent en listes, mais les attaquants en graphes, d’où la nécessité d’utiliser des technologies de graphes. Il détaille le processus d’entity resolution : à partir de données structurées fragmentées, on triangule sur les attributs d’identité (nom, adresse, etc.) pour créer une vue unifiée des entités. Il souligne la complexité culturelle (exemples de noms arabes, adresses singapouriennes) et la nécessité d’une approche basée sur des preuves, non sur des modèles ML pour l’identité. Il présente ensuite un flux typique : ER pour générer des éléments de graphe, partitionnement (composantes fortement connexes), algorithmes de centralité (PageRank) pour faire ressortir les acteurs clés, puis utilisation d’outils de gestion de cas. Il montre comment les applications IA en aval (résumés, agents) aident les analystes. Il présente des outils open source : ‘senzing-semantics’ pour représenter les résultats en SKOS, un exemple d’application basée sur DSPy pour des résumés adaptés aux rôles, une intégration avec Databricks pour le streaming, un entity linker avec LanceDB et spaCy, et un exemple de GraphRAG amélioré avec expansion sémantique. Il conclut sur l’importance des données ouvertes (OpenSanctions, OpenOwnership) et de la transparence.

265 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : la conférence fournit une vue d’ensemble claire et détaillée de l’application de l’entity resolution à la lutte anti-fraude, avec des exemples concrets et des références à des sources ouvertes. L’argumentation est solide : Paco Nathan s’appuie sur son expérience, des cas réels (Azerbaijani laundromat) et des démonstrations techniques. Il explique clairement les défis (complexité culturelle, volume de données) et les solutions (ER, graphes, IA). La présentation est structurée et convaincante, bien que certaines parties soient plus techniques que d’autres.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : l’orateur cite des sources fiables (OpenSanctions, OpenOwnership, rapports Forrester) et des cas documentés (Panama Papers, Azerbaijani laundromat). Il précise les limites de l’ER (pas de ML pour l’identité) et insiste sur l’importance des preuves. La qualité des sources est correcte, même si certaines références ne sont pas détaillées. L’adéquation titre/contenu est bonne : le titre annonce clairement le sujet et la présentation y correspond. Les commentaires ne sont pas fournis, donc aucune analyse des tendances du public n’est possible.

186 mots

Adéquation titre / contenu

Le titre reflète bien le contenu : il annonce l'utilisation de l'entity resolution pour lutter contre la fraude, ce qui est le cœur de la présentation.

Qualité & fiabilité

8/10

Conférence technique par un expert reconnu (Paco Nathan) avec expérience dans le domaine. Les informations sont précises, s'appuient sur des exemples concrets (Azerbaijani laundromat) et des sources ouvertes (OpenSanctions, OpenOwnership). Le niveau de détail est élevé et les propos sont cohérents avec les pratiques du secteur.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Sources concordantes

  • OpenSanctions — Source de données ouvertes mentionnée pour les listes de sanctions.
  • OpenOwnership — Source de données ouvertes sur les bénéficiaires effectifs.

Apport & nouveautés

L’apport original de cette conférence réside dans la mise en lumière de l’entity resolution comme technologie clé pour les applications IA anti-fraude, en insistant sur la nécessité d’une approche basée sur des preuves plutôt que sur des modèles ML pour l’identité. L’orateur présente des outils open source récents (senzing-semantics, entity linker, GraphRAG) et des intégrations avec des plateformes comme Databricks. Il souligne l’importance des données ouvertes et de la transparence pour lutter contre la corruption.

Pour aller plus loin :

  • Entity resolution — Article Wikipédia sur le record linkage, concept proche.
  • OpenSanctions — Source de données ouvertes sur les personnes et entités sanctionnées.
  • OpenOwnership — Registre ouvert des bénéficiaires effectifs.
  • GraphRAG — Technique de RAG utilisant des graphes de connaissances.
  • SKOS — Standard W3C pour la représentation de thésaurus.

129 mots

Profil radar

Le profil radar montre des scores élevés et équilibrés (8/10) sur tous les axes, indiquant une conférence riche en informations, techniquement solide et fiable. La quantité et la qualité des informations sont bonnes, avec un niveau technique élevé adapté à un public averti.

Fiabilité 8/10