Une gestion du crédit moins « risquée » avec l’IA?

Rigueur et précision sont de mise dans le monde financier. Les institutions bancaires recherchent constamment le prochain outil qui leur permettra d’accéder au meilleur rendement. Cela est rendu possible grâce à l’intelligence artificielle (IA): les solutions disponibles sont de plus en plus performantes et capables de détecter des subtilités jusqu’à présent insondées lors de transactions. Toutefois, elles ne font pas toujours l’unanimité.

Chez Deloitte, la plus grande firme multinationale d’audit, une nouvelle plateforme nommée True Voice est un exemple des produits augmentés par l’IA qui sont proposés aux banques pour améliorer leurs opérations.

Ce logiciel d’écoute de conversations téléphoniques dans les centres d’appels aide les institutions à mieux comprendre les interactions entre les employés et les clients.

L’algorithme de True Voice permet « l’analyse comportementale (mots, rythme, pauses), le sentiment client (rapport et aperçu de toutes les communications, piste d’audit), le score de satisfaction et la transcription vocale (audio vers texte) », explique Mukul Ahuja, leader des services financiers chez Omnia AI, département d’expertise en IA chez Deloitte.

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 ».

EXPLICABILITÉ ET DISCRIMINATION

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.

 

[…] [N]otre capacité à comprendre et à remettre en question les relations entre les différents « data points » et notre intention de réduire les biais au maximum demeure un défi dû à la nature moins explicable (et donc moins compréhensible) de ces modèles Mukul Ahuja, leader des services financiers chez Omnia AI

 

Il est donc primordial de trouver « le bon équilibre entre l’explicabilité et la performance mesurée », poursuit l’expert.

C’est que la firme d’audit est consciente des réticences du milieu financier à miser sur l’IA pour accroître sa rentabilité et assurer ses retours sur le crédit.

Dans un document d’analyse publié par Deloitte en 2020, on soulève 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, ou chez nous les projets de loi C-11 fédéral et PL-64 au provincial, 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.

« Certains exemples incluent des techniques traditionnelles telles que les graphiques de dépendances partielles et de nouveaux outils tels que SHAPE & LIME. Ces outils aident à expliquer la relation entre les variables d’entrée et les variables de sortie du modèle, ce qui vient nous aider à comprendre et à expliquer les décisions prises par un modèle dans un cas d’utilisation précis », affirme M. Ahuja.

De ce fait, les innovations en IA pourraient complètement transformer le monde banquier, comme le conclut le Forum économique mondial dans un rapport publié en 2018.

« L’expérience des clients étant de plus en plus informée par des algorithmes, les comptes de dépôt pourraient ne plus constituer le centre de l’expérience bancaire pour ceux-ci », note-t-on dans le document (NDLR : traduit de l’anglais).

En effet, il est envisageable que les prêts et investissements deviennent le principal type de transaction effectué dans les banques.

Reste à voir si la clientèle et les régulateurs seront de la partie.

Crédit photo: Pexels/Anthony Shkraba.

Laisser une réponse

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *