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.
Durée 14 heures
Plan du cours
L'IA dans le risque de crédit : Fondements et possibilités
- Modèles de risque de crédit traditionnels vs propulsés par l'IA
- Défis de l'évaluation du crédit : biais, explicabilité et équité
- Études de cas réelles de l'IA dans le domaine des prêts
Données pour les modèles de notation de crédit
- Sources : données transactionnelles, comportementales et alternatives
- Nettoyage des données et ingénierie des caractéristiques pour les décisions de prêt
- Gérer le déséquilibre des classes et la rareté des données dans la prédiction des risques
Apprentissage automatique pour la notation de crédit
- Régression logistique, arbres de décision et forêts aléatoires
- Boosting de gradient (LightGBM, XGBoost) pour la précision de la notation
- Techniques d'entraînement, de validation et d'ajustement des modèles
Flux de travail de prêt propulsés par l'IA
- Automatisation de la segmentation des emprunteurs et de l'évaluation du risque des prêts
- Processus de crédit et d'approbation améliorés par l'IA
- Tarification dynamique et optimisation des taux d'intérêt à l'aide de l'apprentissage automatique
Interprétabilité des modèles et IA responsable
- Explication des prédictions avec SHAP et LIME
- Équité dans les modèles de crédit : détection et atténuation des biais
- Conformité aux cadres réglementaires (p. ex. ECOA, RGPD)
IA générative dans les scénarios de prêt
- Utilisation des GML pour la révision des demandes et l'analyse des documents
- Ingénierie de l'invite pour la communication avec les emprunteurs et l'obtention d'insights
- Génération de données synthétiques pour le test des modèles
Stratégie et gouvernance de l'IA dans le crédit
- Construction de capacités d'IA internes vs solutions externes
- Gestion du cycle de vie des modèles et meilleures pratiques de gouvernance
- Tendances futures : notation de crédit en temps réel, intégration de la banque ouverte
Résumé et prochaines étapes
Pré requis
- Compréhension des principes fondamentaux du risque de crédit
- Expérience en analyse de données ou en outils de renseignements décisionnels
- Connaissance de Python ou volonté d'apprendre la syntaxe de base
Public cible
- Gestionnaires de prêts
- Analystes de crédit
- Innovateurs du secteur des technologies financières (fintech)
Nos clients témoignent (1)
J'ai déjà quelques rapports dont je me souviens, et j'utiliserai certains des invites examinées aujourd'hui.
Kelly Cotham
Formation - Copilot for Finance and Accounting Professionals
Traduction automatique
