La fraude financière entraîne chaque année des pertes s’élevant à plusieurs milliards de dollars. Traditionnellement, les systèmes de détection de fraude s’appuient sur des règles, en raison de leur transparence et de leur interprétabilité, des caractéristiques essentielles dans des domaines où les décisions doivent être justifiées. Toutefois, les systèmes basés sur des règles exigent une importante intervention d’experts du domaine pour leur conception et leur ajustement, un problème que les algorithmes d’induction de règles tentent de résoudre en inférant directement des règles à partir des données. Nous explorons l’application de ces algorithmes à la détection de fraude, où les systèmes de règles sont contraints d’afficher un taux de faux positifs (FPR) ou taux d’alerte faible. À cette fin, nous proposons RIFF, un algorithme d’induction de règles qui extrait directement un ensemble de règles à faible FPR à partir d’arbres de décision. Nos expérimentations montrent que les règles ainsi induites parviennent souvent à maintenir ou à améliorer les performances des modèles d’origine sur des tâches à faible FPR, tout en réduisant de manière significative leur complexité, et en surpassant les règles ajustées manuellement par des experts.