L’IA dans la gestion des risques
Tout modèle sur lequel s’appuie la fonction risques peut se tromper. Un modèle d’IA peut se tromper d’une manière que personne dans la salle ne sait expliquer — et c’est la fonction risques qui doit en répondre.
Format
Présentiel · Virtuel
Sessions à venir
Choisissez une session pour postulerADMISSIONS OUVERTESLes cohortes en ville sont ouvertes dès six participants inscrits. Indiquez-nous votre mois préféré : nous confirmons les dates au moins quatre semaines à l’avance — merci d’attendre cette confirmation avant de réserver vos déplacements — ou proposons la session confirmée la plus proche, le virtuel en direct ou une formation intra-entreprise. Aucun paiement avant confirmation.
Le programme
L’IA dans la gestion des risques est un programme de deux jours destiné aux directeurs des risques, gestionnaires de risques, équipes de validation des modèles, d’analytique des risques et d’audit interne qui doivent juger où l’intelligence artificielle et le machine learning renforcent réellement la mesure du risque — et où ils ajoutent leurs propres risques. Il couvre le machine learning en risque de crédit, les signaux d’alerte précoce, la gestion du risque de modèle appliquée à l’IA, l’IA explicable dans la gestion des risques bancaires et la chaîne de responsabilité derrière une décision appuyée par l’IA. Les participants comparent le machine learning aux grilles de score traditionnelles, remettent en question les résultats et les explications des modèles, et confrontent les éléments de validation aux questions que posera le superviseur. Le rapport du Conseil de stabilité financière de novembre 2024 sur les implications de l’IA pour la stabilité financière cite le risque de modèle, la qualité des données et la gouvernance parmi les vulnérabilités les plus marquantes ; l’AI Act de l’UE, référence largement utilisée, classe à haut risque l’IA qui évalue la solvabilité des particuliers. Études de cas et comparaisons entre pairs jalonnent les deux journées. Animé en anglais et en français à Dubaï, à Londres et au Moyen-Orient, en Afrique, en Asie et en Europe — et en ligne.
Ce que vous ferez
Qui participe
- Directeurs des risques, responsables des risques et membres des comités des risques et de crédit des banques et institutions financières
- Gestionnaires des risques de crédit, de marché, de liquidité et opérationnel
- Équipes de validation des modèles, de gestion du risque de modèle et d’analytique des risques
- Auditeurs internes chargés de revoir les modèles, les données et les décisions automatisées
- Professionnels de la conformité et de la gouvernance, et superviseurs qui suivent l’usage de l’IA dans les risques
- Les participants doivent connaître les mesures de risque utilisées par leur établissement ; aucune compétence en programmation ou en science des données n’est requise
Au programme
Construit autour d’une question — signeriez-vous la décision de ce modèle ? — le premier jour, là où l’IA renforce la mesure du risque ; le second, remise en question, validation et responsabilité
I.Là où l’IA renforce réellement la mesure du risque
- Une cartographie des usages de l’IA et du machine learning en risques de crédit, de marché, de liquidité et opérationnel
- Ce que le machine learning fait autrement — relations non linéaires, données plus larges, actualisation plus rapide — et ce qu’il ne corrige pas
- Prédiction, automatisation et IA générative : trois profils de risque distincts pour la fonction risques
II.Le machine learning en risque de crédit
- Score d’octroi et score comportemental, et signaux d’alerte précoce sur le portefeuille sain
- Le machine learning face aux grilles de score et à la régression logistique : où le gain est réel et où il relève du surapprentissage
- Événements rares et portefeuilles à faible taux de défaut : ce que la rareté des défauts fait à un modèle d’IA
III.L’IA explicable : ce qu’une explication doit permettre
- Explications globales et locales, et ce que chacune peut ou ne peut pas montrer
- Motifs d’un refus, d’une limite ou d’une mise sous surveillance : ce dont ont besoin le client, le comité de crédit et le superviseur
- Quand une explication ne suffit pas et qu’une méthode plus simple doit l’emporter
IV.La gestion du risque de modèle appliquée à l’IA
- Inventaire et hiérarchisation : quels outils d’IA sont des modèles, et quel niveau d’examen chacun mérite
- Valider un modèle opaque : solidité conceptuelle, analyse des résultats et comparaison avec des approches concurrentes
- IA de fournisseurs et de tiers : ce dont l’établissement reste responsable
V.Données, biais et dérive
- Qualité et traçabilité des données, au regard des principes du Comité de Bâle sur l’agrégation des données de risque et la notification des risques
- Tests de biais et d’équité : variables de substitution, populations exclues et questions à poser aux données
- Suivi de la dérive, et seuils qui doivent renvoyer un modèle en revue
VI.L’IA générative au sein de la fonction risques
- Synthèse de dossiers de crédit, recherche dans les politiques, préparation des rapports de risques : là où elle fait gagner du temps
- Erreurs, contenus inventés et confidentialité : les contrôles que la fonction risques doit exiger
- Là où l’IA générative peut assister et là où elle ne doit jamais décider
VII.Responsabilité, gouvernance et regard du superviseur
- Qui porte une décision de risque appuyée par l’IA au sein des trois lignes, et ce que l’audit interne doit tester
- Le rapport du FSB de novembre 2024 : dépendances aux tiers et concentration des prestataires, corrélations de marché, cyberrisque, et risque de modèle, qualité des données et gouvernance
- L’AI Act de l’UE comme référence : l’évaluation de la solvabilité des particuliers comme usage à haut risque, et ce que cela implique pour les preuves et la supervision
VIII.Étude de cas intégrée
- Une proposition de score de crédit par machine learning arrive au comité des risques, avec un modèle fournisseur et un rapport de validation
- Remettre en question les éléments : performance, explications, tests de biais, plan de suivi et responsabilité
- Défendre l’approbation, l’approbation sous conditions ou le rejet — devant un comité des risques fictif
Questions fréquentes
Qu’est-ce que l’IA dans la gestion des risques ?
Il s’agit de l’usage de l’intelligence artificielle et du machine learning pour mesurer, suivre et gérer les risques — par exemple le score de crédit, les signaux d’alerte précoce, la détection d’anomalies ou la synthèse de l’information sur les risques. Dans une banque, cela signifie aussi maîtriser les risques que l’IA apporte elle-même : des modèles difficiles à expliquer, des données porteuses de biais, des performances qui dérivent et des décisions dont la responsabilité doit rester attachée à des personnes identifiées.
Pourquoi le risque de modèle lié à l’IA est-il une priorité aujourd’hui ?
Les instances de normalisation et les législateurs y regardent de près. Le rapport du Conseil de stabilité financière de novembre 2024 sur les implications de l’IA pour la stabilité financière place le risque de modèle, la qualité des données et la gouvernance parmi les vulnérabilités liées à l’IA les plus marquantes, aux côtés des dépendances aux tiers, des corrélations de marché et du cyberrisque. L’AI Act de l’UE, que de nombreux établissements utilisent comme référence, classe à haut risque l’IA utilisée pour évaluer la solvabilité des particuliers ; selon la Commission européenne, les obligations applicables à ces usages à haut risque s’appliquent à compter du 2 décembre 2027.
En quoi diffère-t-il des programmes sur le risque de modèle et la gouvernance de l’IA ?
La « Masterclass — Gestion du risque de modèle : gouvernance et validation » couvre la discipline du risque de modèle pour tous les modèles. « Gouvernance de l’IA & IA responsable pour les institutions financières » traite de la gouvernance et de la réglementation de l’IA à l’échelle de l’établissement. Ce programme se place au sein de la fonction risques : là où l’IA améliore la mesure du risque, comment les équipes risques remettent en question ses résultats, et comment se retrace la responsabilité des décisions de risque appuyées par l’IA.
Quel est le niveau du programme, et faut-il savoir programmer ?
Il s’adresse aux professionnels des risques qui connaissent déjà les mesures de risque de leur établissement. Aucune compétence en programmation ou en science des données n’est nécessaire : l’accent porte sur le jugement — ce qu’il faut demander à un modèle d’IA, à ses données et à sa validation — plutôt que sur l’écriture de code.
Peut-il être suivi en ligne ou organisé en intra ?
Oui. Les sessions interentreprises se tiennent en présentiel et en ligne en direct. Pour un seul établissement, le programme peut être organisé en intra sous forme de programme sur mesure, défini sur demande, en anglais ou en français.
Existe-t-il un tarif de groupe, et les participants reçoivent-ils un certificat ?
Les établissements qui inscrivent plusieurs participants, sur une même session ou au fil de l’année, bénéficient de conditions de groupe ; les tarifs sont communiqués sur demande. Chaque participant reçoit un certificat de fin de formation BIZENIUS Banking Academy. Le programme est fondé sur la pratique plutôt que sur un examen et ne prépare pas à une qualification délivrée par un tiers.
Qui enseigne
Des praticiens, pas des présentateurs.
Animé par des praticiens qui ont construit et exploité des capacités technologiques, de données et d’IA au sein d’institutions plutôt que de les leur présenter : responsables du digital et de l’innovation produit dans des banques, dirigeants données et IA ayant mis des modèles en production sous gouvernance, et spécialistes du risque technologique qui conseillent des conseils d’administration sur ce que le patrimoine peut et ne peut pas encore faire.
Ce que la faculté apporte
- IA et apprentissage automatique appliqués aux services financiers
- Science des données et pratique du big data
- Adoption de l’IA avec responsables, contrôles et retours
- Modèles de banque digitale, paytech et wealthtech
- Conception du dispositif de risque d’entreprise et culture du risque
- Appétit au risque, limites et auto-évaluation des risques et contrôles
Où ils ont exercé
Praticiens en exercice et anciens praticiens — ceux qui occupent le siège aujourd’hui aux côtés de ceux qui l’ont occupé.
Secteurs: Banque & services financiers · Technologie & fintech · Pétrole & gaz · Assurance
Régions: Afrique · Moyen-Orient · Europe · Asie · Amériques
Comment ils enseignent
- Ateliers pratiques et jeux de données travaillés
- Études de cas de mises en œuvre réelles
- Conception en groupe de dossiers d’investissement et de parcours
- Démonstrations jugées à l’adoption et au contrôle
- Contrôles de connaissances et plan d’action personnel
Les cohortes restent restreintes pour que chaque exercice soit travaillé sur les situations propres aux participants — en présentiel ou en virtuel.
Le profil de la faculté de votre cohorte vous est envoyé avec l’agenda complet et les prochaines dates dès votre demande.Demander la brochure →
Partager ce programme
Vous connaissez la bonne personne pour cette place ?Recommander un collègue →
Vous préparez 2027 pour votre équipe ?Demander le calendrier des formations 2027 →
Dans leurs mots
Le transfert de connaissances, au cœur de tout
“Nous avons travaillé avec BIZENIUS pour notre programme jeunes diplômés — ils sont tout simplement remarquables. Le transfert de connaissances et l’apprentissage pratique ont été au cœur de chaque session.”
Kuwait Investment Authority
Extrait du Registre des Mandats
Mandat № 09 · Afrique de l’Est
Cinq écarts, cinq réponses — les données qui ont refondé une stratégie PME
Le portefeuille de crédit le plus discipliné du marché devait devenir le plus accessible. Les données ont montré exactement comment.
Ouvrir le dossier →
The Capability Arc™
Corriger · Conseil
Conseil en IA
Quand l’établissement veut être accompagné — inventaire des usages d’IA déjà en place, norme de validation applicable par la deuxième ligne et trace claire de qui a approuvé quoi.
Automatiser · Smart IT
Construction & déploiement IA
Quand un outil de score ou d’alerte précoce doit être mis en service dans le cadre de contrôle d’un établissement régulé — suivi, explicable et auditable.
La formation est un point de la Capability Arc. Beaucoup d’institutions associent ce programme à la mission de conseil — puis automatisent ce que le cadre exige.
Des équipes de ces institutions se forment avec BIZENIUS
Programmes associés
Masterclass — Gestion du risque de modèle : gouvernance et validation
Construire et faire vivre un dispositif de gestion du risque de modèle qui résiste à l’examen prudentiel — gouvernance, validation, risques IA/ML et les trois lignes de défense.
Voir le programmeGouvernance de l’IA & IA responsable pour les institutions financières
La couche de gouvernance que votre adoption de l’IA exige désormais légalement — inventaires de modèles, classification des risques, supervision humaine, validation et contrôle des fournisseurs, conçue pour les banques et assureurs face à des échéances réglementaires fermes.
Voir le programmeMasterclass — Machine learning en banque et finance
Ce que le machine learning peut et ne peut pas apporter à la banque et aux risques — méthodes supervisées et non supervisées, données alternatives et IA explicable, travaillés en pratique.
Voir le programmeÀ lire sur le sujet
Rédigé par les praticiens qui animent le programme — à lire avant de nous contacter.
Valider un modèle d’IA dont on ne peut pas ouvrir la boîte
Quand le mécanisme est illisible ou que le fournisseur refuse de le montrer, la validation passe de l’inspection du modèle à l’interrogation de son comportement. Les tests qui fonctionnent, ce qu’il faut exiger à l’achat, et quand la réponse honnête est une restriction plutôt qu’une approbation.
Lire la suite →GuideQu’est-ce que la gouvernance de l’IA ? Guide pratique pour les institutions régulées
Ni une déclaration d’éthique ni un document de politique — les droits de décision, le classement par risque, les standards de validation et les preuves qui permettent à un établissement de répondre de ce que ses modèles ont fait. Ce que contient un dispositif qui fonctionne, et à quoi ressemble un dispositif décoratif.
Lire la suite →GuidePrédire la défaillance bancaire par apprentissage automatique : l’effet de l’événement rare
La défaillance bancaire est rare, et ce seul fait défait l’essentiel de ce qui rend l’apprentissage automatique attrayant ailleurs. Pourquoi un taux de précision global flatte un modèle inutile, ce que coûte réellement le déséquilibre des classes, et ce qu’un superviseur devrait exiger avant de s’appuyer sur un résultat.
Lire la suite →Banking & Finance
Partez avec la brochure.
Une demande — l’agenda complet, la faculté et les prochaines dates de cohorte, envoyés personnellement par l’équipe des admissions.