Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
IA dans le Risque Crédit : Fondements et Opportunités
- Modèles traditionnels vs modèles de risque crédit alimentés par l'IA
- Défis de l'évaluation du crédit : biais, interprétabilité et équité
- Études de cas réelles sur l'utilisation de l'IA dans le prêt
Données pour les Modèles de Notation Crédit
- Sources : données transactionnelles, comportementales et alternatives
- Nettoyage des données et ingénierie des caractéristiques pour les décisions de prêt
- Gestion du déséquilibre de classe et de la rareté des données dans la prédiction du risque
Machine Learning pour la Notation Crédit
- Régression logistique, arbres de décision et forêts aléatoires
- Boostage par gradient (LightGBM, XGBoost) pour l'exactitude des scores
- Techniques d'apprentissage, de validation et d'ajustement du modèle
Workflow de prêt piloté par l'IA
- Automatisation de la segmentation des emprunteurs et de l'évaluation du risque de prêt
- Processus d'appréciation et d'approbation renforcés par l'IA
- Tarification dynamique et optimisation du taux d'intérêt avec le machine learning
Interprétabilité des Modèles et IA Responsable
- Explication des prédictions avec SHAP et LIME
- Équité dans les modèles de crédit : détection et mitigation du biais
- Conformité aux cadres réglementaires (par exemple, ECOA, GDPR)
Generative AI dans des Scénarios de Prêt
- Utilisation de modèles de langage à grande échelle pour l'examen des demandes et l'analyse de documents
- Ingénierie de prompts pour la communication avec les emprunteurs et l'obtention d'insights
- Génération de données synthétiques pour tester les modèles
Stratégie et Gogouvernance pour l'IA dans le Crédit
- Construction des capacités internes en IA vs solutions externes
- Meilleures pratiques de gestion du cycle de vie des modèles et de gouvernance
- Tendances futures : notation crédit en temps réel, intégration de l'open banking
Résumé et Étapes Suivantes
Pré requis
- Une compréhension des fondamentaux du risque de crédit
- Expérience avec les outils d'analyse de données ou de business intelligence
- Familiarité avec Python ou volonté d'apprendre la syntaxe de base
Public cible
- Gestionnaires de prêts
- Analystes de crédit
- Innovateurs en Fintech
14 heures
Nos clients témoignent (3)
Le contexte / la théorie des LLMs, l'exercice
Joanne Wong - IPG HK Limited
Formation - Applied AI for Financial Statement Analysis & Reporting
Traduction automatique
cela m'a ouvert l'esprit à de nouveaux outils qui peuvent m'aider à créer des automatisations
Alessandra Parpajola - Advanced Bionics AG
Formation - Machine Learning & AI for Finance Professionals
Traduction automatique
J'ai beaucoup apprécié la manière dont le formateur présentait tout. J'ai compris tout, même si la Finance n'est pas mon domaine ; il s'assurait que chaque participant soit à la même page, tout en respectant le temps imparti. Les exercices étaient bien répartis. La communication avec les participants était constante. Le matériel était parfait, ni trop abondant, ni insuffisant. Il a très bien approfondi les sujets un peu plus complexes pour qu'ils soient compréhensibles par tous.
Diana
Formation - ChatGPT for Finance
Traduction automatique
