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 (1)
J'ai beaucoup apprécié la façon dont le formateur a présenté tout le contenu. J'ai compris tout, même si Finance n'est pas mon domaine, il s'est assuré que chaque participant était sur la même longueur d'onde, tout en respectant le temps imparti. Les exercices étaient bien espacés. La communication avec les participants était toujours présente. Le matériel était parfait, ni trop ni trop peu. Il a très bien développé les sujets un peu plus complexes pour que tout le monde puisse les comprendre.
Diana
Formation - ChatGPT for Finance
Traduction automatique