La banque en Europe et la finance : des biais de décision interrogeant sur la fiabilité des résultats

Extraits

[...] Le framework utilise des algorithmes d'apprentissage automatique basés sur des arbres distribués tels que Decision Tree, Random Forest et Gradient Boosting, où les règles des composants experts sont utilisées comme fonctionnalités pour le modèle. L'approche est une combinaison d'approches statistiques et expertes et est appliquée aux données de transactions par carte bancaire. Les règles obtenues à l'aide de ce cadre se sont révélées efficaces tout en ayant un effet commercial tangible. L'algorithme proposé se présente sous la forme de règles de décision pouvant être facilement intégrées dans les systèmes de détection de fraude que les entreprises utilisent aujourd'hui. [...]

[...] La banque en Europe et la finance : des biais de décision interrogeant sur la fiabilité des résultats Biais de variable manquante L'une des principales préoccupations dans l'analyse de données massives concerne les biais liés à des variables non incluses dans le modèle. Parfois, des facteurs importants peuvent être omis, créant ainsi des distorsions dans les résultats. Par exemple, dans le secteur bancaire, des informations cruciales telles que la stabilité financière globale d'un individu peuvent être omises, impactant négativement la précision des évaluations de crédit. [...]

[...] L'étude propose une approche d'arbre de décision pour recombiner les règles expertes utilisées dans les systèmes de surveillance de la fraude. Le pipeline ML prend en compte les spécificités de la détection des fraudes, telles que le déséquilibre des classes et les coûts inégaux des erreurs de types I et II. L'étude vise à réduire le nombre de faux positifs tout en maintenant le nombre de fraudes manquées au niveau actuel. L'approche proposée a été testée sur les données de paiement d'une grande banque, et le modèle Gradient Boosting s'est avéré être le meilleur des trois. [...]

[...] Les modèles d'IA, combinés au Big Data, peuvent capturer des signaux faibles et fournir des prévisions améliorées par rapport aux mesures conventionnelles de solvabilité. Cependant, l'utilisation de l'IA dans l'analyse du crédit soulève des inquiétudes quant à d'éventuels biais et à des problèmes éthiques, juridiques et réglementaires. Pour répondre à ces préoccupations, une nouvelle génération de réglementation financière est nécessaire, introduisant la certification des algorithmes d'IA et des données utilisées par les banques. L'IA bouleverse le secteur bancaire en permettant d'obtenir des types de données plus nombreux et différents, capables de produire de meilleures prévisions du risque de crédit. [...]

[...] Biais de survie Les modèles basés sur la Big Data peuvent être sensibles aux biais de survie, où seules les données des clients qui ont survécu à certains événements sont prises en compte. Si les données sur les clients ayant fait défaut sur un prêt sont omises, les modèles de prédiction de défaut peuvent être biaisés, conduisant à des décisions imprudentes en matière de prêt. Biais de rétroaction Les biais de rétroaction se produisent lorsque les décisions passées influencent les données futures, créant ainsi un cercle vicieux. [...]