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
 14 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (1)

Cours à venir

Catégories Similaires