Dans son analyse du potentiel de l'apprentissage automatique dans la détection de la fraude, Ravelin signale les multiples avantages de cette technologie par rapport aux systèmes traditionnels fondés sur des règles. Bien que celles-ci constituent toujours une partie importante de la boîte à outils antifraude, leur utilisation comporterait des irritants.

Par exemple, ces règles ont tendance à générer un nombre élevé de faux positifs, entraînant le risque de bloquer de nombreux clients légitimes. Par exemple, si l'on active une règle qui bloque toutes les transactions d'une certaine envergure en provenance d'un lieu à haut risque, on portera assurément atteinte à de bons clients.

Un autre problème est que ces règles établissent des seuils de comportement frauduleux fixes, alors que le contexte peut changer au fil du temps si jamais la valeur moyenne des commandes augmente. Également, elles sont basées sur des réponses absolues (oui/non), qui n'offrent pas la possibilité d'ajuster le résultat ou de juger où situer un paiement sur une échelle de risques.

Enfin, l'évolution de la fraude impose un fardeau croissant aux analystes, qui doivent apprendre à composer avec les moyens toujours plus intelligents, plus rapides et plus furtifs utilisés pour commettre des fraudes en ligne. Cela rend le système plus lent, car il nécessite un nombre croissant d'examens manuels.

En revanche, les systèmes intelligents qui utilisent l'apprentissage automatique sont capables d'analyser, en quelques millisecondes, des centaines de milliers de requêtes, puis de comparer les résultats pour trouver le résultat optimal. Le coût humain de telles opérations serait immense, car il faudrait employer de nombreuses équipes de travail.

De plus, par l'évaluation en temps réel du comportement individuel des clients, la technologie d'apprentissage automatique est capable de modéliser une dynamique « normale » et éventuellement de bloquer ou signaler un paiement si jamais une anomalie est détectée. D'ailleurs, il est à noter que cette technologie est souvent capable de découvrir des modèles non intuitifs ou des tendances subtiles qui pourraient n'être évidentes que beaucoup plus tard pour un analyste de la fraude.

Un autre avantage de l'apprentissage automatique est que la surenchère de données qui résulte d'une augmentation des transactions, loin d'embourber l'organisation, ne fait que contribuer à l'amélioration des capacités d'analyse intelligente des dossiers des clients. En effet, les systèmes intelligents sont évolutifs et nécessitent toujours plus d'exemples pour identifier avec précision les caractéristiques des clients fautifs et prédire l'occurrence d'incidents frauduleux.