Plan du cours
Introduction à l'IA dans Financial Crime
- Aperçu des fraudes et de la lutte contre le blanchiment d'argent dans l'ère de la finance numérique
- Approches traditionnelles vs basées sur l'IA
- Études de cas de Mastercard, JPMorgan et des banques mondiales
Machine Learning pour le suivi des transactions
- Apprentissage supervisé pour la notation des risques et la classification
- Apprentissage non supervisé pour la détection d'anomalies
- Génération en temps réel d'alertes et de traitement de flux
Analyse des graphes et détection des risques réseau
- Modélisation des relations entre entités et transactions
- Détection de schémas frauduleux complexes à l'aide de l'IA des graphes
- Pratique avec Neo4j ou outils similaires
Traitement du langage naturel pour la lutte contre le blanchiment d'argent (AML)
- Fouille de texte dans l'évaluation des clients (CDD)
- Lecture de listes de surveillance à l'aide de reconnaissance d'entités nommées (NER)
- Revue documentaire basée sur des requêtes et rapports d’activité suspecte (SAR)
Gouvernance et explicabilité du modèle Go
- Construction de modèles explicables et audibles
- Détection et atténuation des biais dans les algorithmes de détection de fraude
- Utilisation des techniques XAI dans le cadre de la conformité réglementaire
Éthique, régulation et risque du modèle
- Conformité aux cadres AML et KYC (par exemple FATF, FinCEN, EBA)
- Éthique de l'IA dans la surveillance et le suivi des clients
- Normes de reporting et audibilité réglementaire
Stratégies de déploiement et tendances futures
- Intégration des modèles d'IA dans les systèmes existants de transaction
- Boucles de retour et mécanismes de mise à jour du modèle
- Futur de l'IA générative dans la lutte contre les fraudes et l’automatisation des rapports d’activité suspecte (SAR)
Résumé et Étapes suivantes
Pré requis
- Une compréhension des risques de fraude et des procédures AML (lutte contre le blanchiment d'argent)
- Expérience en analyse de données ou en rapport de conformité
- Familiarité de base avec Python ou des plateformes analytiques
Public cible
- Professionnels du risque de fraude
- Équipes de conformité AML
- Responsables de la sécurité
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