Les systèmes d’intelligence artificielle sont efficaces pour diminuer les risques bancaires. Ces risques concernent la fraude, les défauts de paiement, les défauts de crédit… Lucien Bourély a été un membre de l’équipe de Brigtherion, une entreprise de la Silicon Valley fondée par Akli Adjaoute.
Ce dernier avait auparavant crée en France une société qui avait mis au point des outils logiciels d’intelligence artificielle. Ceux-ci ont été utilisés dans la banque, la santé, la gestion de réseaux informatiques, la défense, les centrales nucléaires, etc. Lucien Bourély a raconté cette aventure américaine dans son ouvrage Intelligence artificielle une réussite française dans la Silicon Valley. Il nous parle ici de l’utilisation des systèmes d’intelligence artificielle dans l’anticipation des risques de crédit.
Les systèmes d’intelligence artificielle : un outil efficace pour la gestion des risques bancaires
Les systèmes d’intelligence artificielle (IA) apportent des solutions d’une grande efficacité pour la gestion du risque bancaire. Ce dernier est une préoccupation majeure de la banque, qu’elle concerne le risque lié au crédit ou la fraude sur les moyens de paiement. Les montants financiers mis en jeu sont considérables. En outre, toute atteinte à la sécurité des opérations bancaires écorne l’image de la profession. Aussi, un établissement qui est victime d’un incident préfère rester discret. La banque a toujours déployé des efforts constants pour réduire son risque crédit et sécuriser l’utilisation des moyens de paiement qu’elle donne à ses clients.
L’intelligence artificielle (IA) marque une étape nouvelle et décisive dans ce domaine. Le banquier dispose en archivant toutes les opérations faites par son client d’une masse d’informations significatives de son comportement et de sa situation. L’IA est une avancée majeure par sa capacité d’exploiter cette base considérable de données avec des algorithmes d’analyse pertinents, adaptatifs et personnalisables. On peut ainsi tirer parti d’une base de connaissance riche en enseignements qui n’était pas accessible jusqu’à présent.
Ainsi une IA qui opère dans le domaine bancaire repose sur plusieurs outils logiciels :
- le data mining ;
- les réseaux de neurones ;
- le raisonnement à base de cas ;
- les algorithmes génétiques ;
- la logique floue ;
- la programmation sous contraintes ;
- des multi-agents adaptatifs coordonnent l’ensemble de ces outils.
C’est sur la base de cette suite d’outils que Brighterion a conçu et développé iPrevent. Ce logiciel, initialement élaboré pour la lutte contre la fraude à la carte bancaire, a été utilisé pour le risque crédit.
Comment une intelligence artificielle peut-elle être efficace pour le risque bancaire ?
Pour être efficaces, les systèmes d’intelligence artificielle mis en œuvre dans cet environnement bancaire doivent satisfaire à certaines conditions :
Mettre en évidence les déboires financiers
Les systèmes d’intelligence artificielle doivent être capables de mettre automatiquement en évidence les schémas de déboire financier ou de fraude subis par la banque. Ils analysent pour cela l’historique de toutes les données dont la banque dispose. Cette masse d’informations est trop volumineuse pour être appréhendée par un être humain. Les outils appropriés offerts par l’IA sont donc nécessaires. En effet, les experts de la banque ne connaissent pas nécessairement parmi toutes les données historiques archivées celles qui sont pertinentes pour leur analyse.
Par ailleurs, les schémas de risque ou de fraude sont trop complexes pour être analysés de façon traditionnelle. Ils ne peuvent pas être décrits par une logique de type informatique « si… alors… sinon… ». Les systèmes d’IA doivent alors être capables de créer automatiquement à partir des données historiques, des algorithmes spécifiques à cet environnement. Ces derniers donnent à l’utilisateur les outils d’analyse et de prévention du risque ou de la fraude.
Avoir des mises à jour automatique des IA
Ces systèmes d’IA doivent être capables de se mettre à jour automatiquement afin de s’adapter à des schémas de risque ou de fraude non encore observés. Les escrocs et les fraudeurs modifient leur comportement en fonction des mesures de protection prises par la banque.
La lutte contre les prédateurs est en constante évolution. Les systèmes de lutte doivent s’adapter en conséquence pour ne pas devenir rapidement périmés et inefficaces.
Créer des systèmes personnalisables
Ces systèmes doivent être personnalisables, c’est-à-dire prendre en compte la situation et le comportement de chaque client en fonction de son historique propre. Traditionnellement, les banques définissent une segmentation de leur clientèle selon des critères de comportements types.
Une telle segmentation, aussi fine soit-elle, ne reflète pas la réalité, plus subtile. Les résultats d’analyse les meilleurs sont obtenus par la prise en compte du comportement individuel effectif du client.
Une réactivité en temps réel : un défi pour les IA
Ces systèmes d’intelligence artificielle doivent pouvoir être exploités en temps réel. Par exemple, un paiement par carte bancaire chez un commerçant ou un retrait à un distributeur de billets, sont soumis à la banque émettrice de la carte pour autorisation. Ils doivent pouvoir être analysés immédiatement et arrêtés, en cas de fraude présumée, avant que le mal ne soit fait.
Une analyse différée, en back office, de la fraude ne permet de la détecter quelques secondes après que la banque l’a subie. Certes, elle est intéressante pour connaître les procédés utilisés par les fraudeurs, mais son intérêt en est limité ! Une telle exigence de traitement en temps réel impose que les algorithmes soient très rapides.
L’état de l’art le plus avancé aujourd’hui fournit un temps de réponse exprimé en millisecondes. Le processus demande des interrogations répétées de la base des données et ces consultations ne doivent pas en ralentir le déroulement. Or les logiciels de gestion de base de données actuels du marché ne sont pas capables de répondre à ces types de requêtes en quelques millisecondes. Un logiciel gestionnaire de données propriétaire possédant ces performances doit alors être mis en œuvre.
Seule une IA a la capacité d’analyser les millions de requêtes issues des cartes de crédit. Image : energepic.com/Pexels
Les risques du crédit bancaire des cartes corporates
Le crédit est l’activité fondamentale de la banque. Le contrôle du risque crédit est une nécessité qui conditionne la rentabilité, voire la survie d’un établissement bancaire. Chez Brighterion, nous avons utilisé ces systèmes d’intelligence artificielle afin d’aider une banque à réduire le risque lié aux « cartes corporate ».
Ces cartes sont données par les entreprises à leurs collaborateurs pour payer leurs frais de déplacement. La banque émettrice de la carte règle directement le commerçant. A la fin de chaque mois, l’entreprise rembourse la banque. Le nombre de cartes corporate émises par certaines banques est élevé et les encours financiers correspondants considérables.
Or il arrive que la trésorerie de l’entreprise ne permette plus de couvrir ces montants. Ce défaut est souvent temporaire. Mais il peut être plus durable, voire aboutir à la faillite de l’établissement bancaire. La perte financière pour la banque est alors élevée. Le montant de ces défaillances peut représenter plus de dix fois le coût de la fraude.
Comment les systèmes d’intelligence artificielle prédisent les défauts de paiement
Afin d’anticiper ces défauts de paiement, notre équipe de modeling créa trois niveaux d’apprentissage successifs de « delinquency » (défaillance). La procédure habituelle fut lancée :
- recueil de données historiques avec mention des déboires financiers ;
- création de modèles à Paris ;
- envoi des résultats.
Le modèle analysait le fonctionnement du compte. Il a pu prévoir plus de 70 % des défaillances, trois mois avant qu’elles ne se produisent. Notre système d’intelligence artificielle, grâce au prédictif, présentait des performances qui dépassaient les attentes de notre client. Alors, pendant plusieurs années, cette banque nous envoya quotidiennement ses données. Nous les exploitions en mode batch (traitement par lots).
Nous avions créé un mécanisme utilisant un service web. La banque envoyait ses données sur le site, puis le système préparait et soumettait les enregistrements au modèle. Les alertes déclenchées par iPrevent étaient alors mises en place sur le site où l’utilisateur pouvait venir les télécharger. Notre système d’intelligence artificielle a ainsi pu démontrer la souplesse de son utilisation dans le domaine de prévision du risque crédit.
Et vous, est-ce que votre banque utilise l’intelligence artificielle pour ses opérations ?
