233
a. La détection de fraude est un des exemples de succès du machine learning et de
l’IA, déjà appliqué pour l’octroi de crédit et l’assurance ;
b. La manipulation du LIBOR a été détectée en premier lieu via des analyses
statistiques.
4. Robotisation de tâches non spécifiques à la finance :
a. Service client (chatbots) ;
b. Marketing (offres personnalisées, gestion de l’attrition) ;
c. Comptabilité et direction financière.
L’entrée de nouveaux acteurs (Fintech) sur des services habituellement réservés aux
banques ou assurances dépendra en large partie des réponses, technologiques et de
marché, mais aussi réglementaires, à ces questions.
Un dernier débat porte sur le pas à franchir pour la machine afin de devenir un être
indépendamment intelligent, capable de développer un comportement intelligent et non
pas seulement d'en produire un conçu par son programmeur. Celui-ci semble pour l’heure
assez abstrait. Puisque l’humain ne peut déjà plus nécessairement suivre la complexité de la
prise de décision de la machine, il s’agit alors déjà de comportements intelligents non
prévus.
On ne peut en tout cas que spéculer sur l’effet de ces comportements au fur et à mesure
que l’IA se diffuse dans le système financier et que les problèmes autour de l’apprentissage
automatique (« unsupervised training ») sont résolus. Mais cette dimension doit être
intégrée à la réflexion.
II Risques
En matière financière, bancaire et assurantielle, les questionnements soulevés par l’IA
relèvent de cinq ordres au moins :
1. Automatisation et responsabilité :
a. Au fur et à mesure que plus en plus de tâches et de décisions seront
déléguées aux algorithmes, la notion de responsabilité se brouille ;
b. La Securities Exchange Commission (SEC) a récemment émis un avis
rattachant la responsabilité sur le comportement des roboadvisors.
2. Auditabilité :
a. Certains algorithmes sont opaques, et leur output difficile à interpréter,
rendant la compréhension d’une décision algorithmique parfois impossible ;
b. Cela pourrait rendre plus complexes à détecter les délits d’initiés ou les abus
de marché par exemple ;
c. Il convient d’examiner également le processus de décision des IA : quels
éléments sont pris en compte ?
3. Prédictibilité et fiabilité :
a. La détection de fraude est un des exemples de succès du machine learning et de
l’IA, déjà appliqué pour l’octroi de crédit et l’assurance ;
b. La manipulation du LIBOR a été détectée en premier lieu via des analyses
statistiques.
4. Robotisation de tâches non spécifiques à la finance :
a. Service client (chatbots) ;
b. Marketing (offres personnalisées, gestion de l’attrition) ;
c. Comptabilité et direction financière.
L’entrée de nouveaux acteurs (Fintech) sur des services habituellement réservés aux
banques ou assurances dépendra en large partie des réponses, technologiques et de
marché, mais aussi réglementaires, à ces questions.
Un dernier débat porte sur le pas à franchir pour la machine afin de devenir un être
indépendamment intelligent, capable de développer un comportement intelligent et non
pas seulement d'en produire un conçu par son programmeur. Celui-ci semble pour l’heure
assez abstrait. Puisque l’humain ne peut déjà plus nécessairement suivre la complexité de la
prise de décision de la machine, il s’agit alors déjà de comportements intelligents non
prévus.
On ne peut en tout cas que spéculer sur l’effet de ces comportements au fur et à mesure
que l’IA se diffuse dans le système financier et que les problèmes autour de l’apprentissage
automatique (« unsupervised training ») sont résolus. Mais cette dimension doit être
intégrée à la réflexion.
II Risques
En matière financière, bancaire et assurantielle, les questionnements soulevés par l’IA
relèvent de cinq ordres au moins :
1. Automatisation et responsabilité :
a. Au fur et à mesure que plus en plus de tâches et de décisions seront
déléguées aux algorithmes, la notion de responsabilité se brouille ;
b. La Securities Exchange Commission (SEC) a récemment émis un avis
rattachant la responsabilité sur le comportement des roboadvisors.
2. Auditabilité :
a. Certains algorithmes sont opaques, et leur output difficile à interpréter,
rendant la compréhension d’une décision algorithmique parfois impossible ;
b. Cela pourrait rendre plus complexes à détecter les délits d’initiés ou les abus
de marché par exemple ;
c. Il convient d’examiner également le processus de décision des IA : quels
éléments sont pris en compte ?
3. Prédictibilité et fiabilité :