L'intelligence artificielle dans la gestion du risque de crédit

Depuis la crise financière, les régulateurs portent une attention particulière à la gestion des risques, et attendent des institutions financières qu'elles se dotent d’outils de mesure du risque transparents et vérifiables. En parallèle, les start-up et fintech, encouragées par la croissance numérique et la quantité croissante de données disponibles, utilisent de plus en plus de solutions d'intelligence artificielle. Pour s’aligner sur ces nouveaux acteurs, les banques sont amenées à développer des modèles plus fiables, afin de réduire le temps de décision et améliorer leur rentabilité.

Les techniques de modélisation quantitative sont utilisées pour tirer davantage parti des données, réduire les coûts et augmenter la rentabilité globale. Chaque modèle a des lacunes inhérentes : il est essentiel de veiller à réduire ces erreurs.

Dans le même temps, les méthodes dites de machine learning se développent à toute vitesse. Les capacités de traitement des ordinateurs permettent aujourd’hui l'utilisation de méthodes découvertes il y a des années, telles que le Deep Learning, d’algorithmes basés sur des arbres de décision (tels que Decision Trees, Random Forest et Gradient-Boosting Machines), ou encore de techniques combinant les capacités de modèles de machine learning (comme Staking).

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 » de ces solutions.

Bien que l’intelligence artificielle puisse aider les concepteurs de modèles à réduire le risque de modèle et à améliorer le pouvoir prédictif des modèles, le secteur financier reste vigilant quant aux techniques de machine learning. En effet, les progrès observés dans la précision des modèles se font souvent au prix de leur explicabilité. Cette absence d'explication constitue à la fois un problème pratique et un problème éthique pour les professionnels du crédit.

Comme le soulignent les derniers rapports du Forum économique mondial et de l'autorité prudentielle française (ACPR), le sujet de l'intelligence artificielle dans le secteur financier arrive à un tournant. À court terme, il semble important que le développement de l'intelligence artificielle dans les secteurs de la banque et de l'assurance satisfasse aux critères minimaux de gouvernance et de contrôle. Cette réflexion devrait porter sur la preuve de la fiabilité des algorithmes utilisés (du point de vue de leur auditabilité interne et externe), de l’explicabilité des modèles et des interactions entre humains et algorithmes intelligents.