L’optimisation financière d’une entreprise n’est plus un luxe mais devient une obligation.
L’IA est devenue un sujet en vogue dans les médias et magazines scientifiques
Les entreprises recherchent constamment le prochain outil qui leur permettra d’accéder à un meilleur rendement. Cela est rendu possible grâce à l’intelligence artificiel (IA). Des solutions de plus en plus efficaces existent afin de détecter des fraudes des transactions qui étaient par le passé impossible à effectuer de par la quantité de données à analyser.
Mais est-ce toujours accepter, plus précisément : Pourquoi l’IA fait peur et rêver à la fois ?
« PROLOGIA, leader dans son domaine a créé le premier système expert d’aide à la décision pour l’attribution des prêts immobiliers et des prêts à la consommation : cette activité est devenue au fil des années leur cœur de métier. Les principales banques françaises se sont équipées avec nos logiciels dès 1990.
BEST est un OAD (Outil d’Aide à la Décision) donnant à l’utilisateur tous les éléments nécessaires à la prise de décision finale.
Outre la maîtrise du risque bancaire, les explications du raisonnement constituent un support de formation permettant de véhiculer votre politique risque et de sauvegarder votre connaissance métier au sein de votre établissement.
Cet outil est paramétré à partir d’un recueil d’expertise, qui permet d’identifier et de quantifier les différents risques. Ce recueil est réalisé par un cogniticien de PROLOGIA, spécialiste du domaine. Il propose une base de règles du risque qui est adaptée aux savoir-faire de vos experts. »
Ce dernier indique qu’un tel outil offre une compréhension implicite plus profonde des relations entre les points de données et les résultats souhaités, ce qui permet, entre autres, « d’obtenir de meilleures notations de risque de crédit, une tarification basée sur le risque plus précise, une allocation plus efficace du capital et une meilleure gestion des liquidités ».
Ces risques sont de mieux en mieux compris. Bien que la détection, la hiérarchisation et l’atténuation de ces risques prennent du temps et des ressources, il ne s’agit pas d’un problème opaque: nous pouvons comprendre le processus et nous mettre d’accord sur nos objectifs.
La gestion traditionnelle du risque est définie par des normes industrielles telles que ITIL (ce dernier se définit comme un guide de bonnes pratiques dans le domaine de la gestion et la fourniture des services informatique).
La plupart des méthodologies de gestion des risques incluent une version des éléments suivants:
Gestion des risques:
Définir un cadre pour la quantification des risques ainsi que ceux qui seront acceptés et les rôles et responsabilités impliquant des risques au sein de l’organisation.
Analyse de l’impact des activités et des risques: Pour quantifier l’impact et la probabilité d’un risque et pour maintenir une liste de risques hiérarchisée en fonction de cet impact net.
Atténuation des risques:
Déterminer où les risques doivent être atténués et identifier les propriétaires des risques qui doivent être tenus responsables de la gestion des mesures d’atténuation.
Surveillance du risque:
Suivre et corriger les contre-mesures.
Appliquées à l’informatique, ces mesures couvrent toujours au minimum l’administration de la sécurité, le contrôle des modifications d’application, la sauvegarde et la récupération des données, ainsi que le cycle de vie du développement des systèmes. Des contrôles plus spécifiques s’appliquent à des situations telles que l’externalisation du développement, l’utilisation de logiciels open source, les logiciels-services (SaaS), etc.).
Ethiques
Cependant, la venue de l’IA apporte aussi son lot de difficultés et d’enjeux, notamment éthiques.
Par exemple, la notion d’explicabilité demeure cruciale dans le contexte de l’octroi de prêts aux particuliers. Si un logiciel favorise un demandeur de crédit plutôt qu’un autre, il est nécessaire que l’on puisse rendre compte du processus qui a produit ce choix.
Il est donc primordial de trouver le bon équilibre entre l’explicabilité et la performance mesurée.
On peut aussi soulever le problème de la « boîte noire », soit l’effet qu’ont les algorithmes d’apprentissage automatique lorsque leur fonctionnement dépasse la compréhension humaine.
« Dans l’industrie du risque de crédit, l’utilisation de ces techniques, notamment à des fins réglementaires, est accueillie avec scepticisme en raison du manque de transparence et de l’effet “boîte noire”» -Rapport Explain Artificial Intelligence for Credit Risk Management.
Les institutions financières veulent ainsi éviter d’être accusées de discrimination indue auprès de leur clientèle, qui pourraient par exemple viser des minorités, d’autant plus que les régulateurs du monde entier se penchent désormais sur cette problématique.
En effet, que ce soit le Règlement général sur la protection des données de l’Union européenne, la notion d’explicabilité des algorithmes est désormais un élément incontournable d’une législation complète visant les nouvelles technologies.
ACCEPTABILITÉ
Conscients du besoin de « réflexion sur la preuve de la fiabilité des algorithmes », les experts chez Deloitte comptent sur plusieurs méthodes.
La fiabilité des données en question
La fiabilité reste une préoccupation majeure, même en Europe où la plupart des prêteurs utilisent déjà des métriques alternatives.
La disponibilité des données est un autre obstacle. Un prêteur qui souhaite évaluer le profil de risque d’une PME peut analyser sa présence en ligne, mais risque de se heurter à un manque d’information. En fait plus l’entreprise est petite, moins elle sera active en termes de navigation et d’actualités, un autre écueil surgit Il y a de plus en plus d’informations pas fiables sur le net.
De ce fait, les innovations en IA pourraient complètement transformer le monde de l’entreprise.
Reste à voir si la clientèle et les régulateurs seront de la partie.
Auteur : Bruno Polizzi Master II Commerce Electronique Unistra/Edge, Casablanca, Maroc
