IA et deep learning appliqués aux métiers du contrôle

Pré-requis Objectifs | Compétences Programme Formateur

Partager la formation par email

Pré-requis

Niveau bac+3 ou 3 ans d’expérience en banque finance

Objectifs | Compétences

Maîtriser les objectifs et les principes de la norme BCBS 239
Connaître les principales mesures des banques quant à l’IA et au deep learning
Comprendre les conditions d’agrégation des données sur les risques
Apprécier les réglementations de l’IA
Connaître l’utilisation du Machine Learning par les banques

IA et deep learning appliqués aux métiers du contrôle

Programme

Les objectifs et les principes de la norme BCBS 239

Comprendre pourquoi cette norme soutient les efforts d’une banque
Comment la norme améliore :
- L’infrastructure pour le reporting des informations clés
- Le processus de prise de décision
- La gestion de l’information entre les entités juridiques
- La vitesse à laquelle l’information est disponible
- La qualité de la planification stratégique
- La capacité à gérer le risque des nouveaux produits et services
Comme la norme BCBS 239 réduit la probabilité et la gravité des pertes

Étude des 14 principes de la norme BCBS 239

Gouvernance
Données, risque et architecture et infrastructure informatique
Intégrité des données
Exhaustivité
Rapidité d’exécution
Adaptabilité
Exactitude
Exhaustivité
Clarté et utilité
Fréquence
Distribution
Examen
Mesures correctives
Accueil / Coopération avec l’hôte

Les principales mesures que les banques devraient prendre

Intégration des principes dans leurs activités régulières de gestion des risques
Tests réguliers des capacités à produire des rapports précis et en temps voulu
Simulations régulières des capacités à produire des rapports en période de stress
Intégration des fusions, des nouvelles activités, des nouvelles technologies, des relations nouvelles
Examens et évaluations des capacités d’agrégation des données sur les risques et de production de rapports sur les risques
Identifier et hiérarchiser les éléments nécessaires pour une mise en œuvre réussie
Modifier les feuilles de route de mise en œuvre précédemment élaborées
Prendre les mesures nécessaires

Comment agréger des données précises et fiables sur les risques

Les contrôles entourant les données sur les risques
Les cas où il faut mettre en place des mesures d’atténuation efficaces
Comment s’assurer que les données relatives aux risques sont exactes
Les risques : avoir une source unique faisant autorité
Les accès aux données pour le personnel chargé des risques au sein de la banque

IA et réglementations

Les principes de gouvernance de l’IA
Comment les exigences existantes en matière de gouvernance, de gestion des risques, de développement et d’exploitation des modèles traditionnels s’appliquent également aux modèles d’IA
Les défis et la complexité de l’IA quant à la réglementation et la supervision
Les orientations ou les normes internationales des organismes de normalisation financière sur la gouvernance de l’IA

Machine learning

Classification et regroupement
Apprentissage automatique et risque de crédit
Big data et risque financier
Le data lake de la BDEF

Formateur

Dominique CHESNEAU

Expert en financement d’entreprises

Spécialiste en trésorerie, financement et gestion de risques financiers, il enseigne à HEC, l’EDHEC et Dauphine. Il est l’auteur et co-auteur de près de 15 ouvrages professionnels en économie, finance bancaire et finance d’entreprise.