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
Introduction à l'IA dans Financial Crime
- Aperçu de la fraude et du BLA (Blanchiment d'Argent) dans l'ère de la finance numérique
- Approches traditionnelles vs basées sur l'IA
- Cas d'études provenant de Mastercard, JPMorgan et des banques mondiales
Machine Learning pour le suivi des transactions
- Apprentissage supervisé pour la notation du risque et la classification
- Apprentissage non supervisé pour la détection d'anomalies
- Génération en temps réel d'alertes et de traitement de flux
Analyse graphique et détection des risques réseau
- Modélisation des relations entre entités et transactions
- Détection de schémas frauduleux complexes à l'aide d'IA basée sur les graphes
- Travail pratique avec Neo4j ou outils similaires
Traitement du langage naturel pour le BLA (Blanchiment d'Argent)
- Mining textuel dans la connaissance client (CDD)
- Détection des listes de surveillance à l'aide de la reconnaissance d’entités nommées (NER)
- Vérification documentaire basée sur les prompts et rapports d'activité suspecte (SARs)
Gouvernance et explication des modèles Go
- Construction de modèles explicables et auditables
- Détection et atténuation du biais dans les algorithmes de détection de fraude
- Utilisation de techniques XAI dans le cadre des normes de conformité
Ethique, réglementation et risques modélisés
- Conformité aux cadres AML et KYC (par exemple FATF, FinCEN, EBA)
- Ethique de l'IA dans le cadre du contrôle des clients et de la surveillance
- Normes de rapportage et auditabilité réglementaire
Stratégies de déploiement et tendances futures
- Intégration des modèles IA dans les systèmes de transaction existants
- Boucles de retour et mécanismes d'actualisation du modèle
- Avenir de l'IA générative dans l'enquête sur la fraude et l'automatisation SAR
Résumé et prochaines étapes
Pré requis
- Une compréhension des risques de fraude et des procédures AML
- Expérience en analyse de données ou en rapport de conformité
- Familiarité de base avec Python ou plateformes d'analyse
Audience
- Professionnels des risques de fraude
- Équipes de conformité AML
- Gestionnaires de la sécurité
14 Heures