Compliance Insights – June 2020

Exemple de traitement d’un stock de 10 000 alertes de type « Name screening » en AI / ML (Remédiation) :

• Nettoyage des données : Cette étape préliminaire doit permettre d’obtenir des données suffisamment robustes pour être utilisées dans la suite de la démarche. Il s’agit d’en éliminer les doublons, de reformatter certaines données, de les segmenter, de les enrichir etc.
• Revue et amélioration du scoring interne : Certaines institutions ont d’ores et déjà mis en œuvre des scoring élaborés surla base de critères pondérés (date de naissance, ville de naissance, nationalité, etc.) La revue de ce scoring « à dire d’expert » et les propositions d’améliorations permettront de comparer (et mesurer les bénéfices) des résultats obtenus par IA / ML dans la suite de la démarche.
• Traitement manuel d’un premier jeu de données : Cette étape permet de calibrer le modèle et de vérifier en continu que les résultats obtenus restent dans l’intervalle de confiance choisi.
• Application d’algorithmes dont « Random Forest » pour identifier des scoring alternatifs : Sur la base d’un premier jeu de données validées manuellement, ces algorithmes vont pouvoir identifier des scorings alternatifs permettant de diminuer le nombre d’alertes à analyser avec le même niveau de confiance.
• Analyse des résultats obtenus et sélection du scoring final : L’utilisation de données interprétables « humainement » et actionnables est une condition indispensable pour la sélection du scoring final et la qualité des explications textuelles obtenues. L’application de ce scoring sur les données restantes permet de diminuer le nombre d’alertes positives.
• Génération d’explications textuelles : Pour chaque alerte analysée, les facteurs exonérants ou aggravants de risque sont indiqués afin de faciliter l’analyse par les fonctions de conformité, de contrôle mais également le régulateur afin de justifier le traitement choisi et éviter le syndrome « boite noire ».

Bénéfices issus d’une démarche d’AI / ML et facteurs clés de succès associés :

• Augmentation de l’efficacité / réduction de la charge manuelle : la démarche permet de concentrer les efforts d’analyses humaines sur les résultats obtenus pré-identifiés et de diminuer le risque d’erreur (réduction du nombre de « faux positifs »). 
• Auditabilité / Transparence : la démarche doit être auditable en cas de contrôle du régulateur. L’algorithme et les explications doivent assurer une piste d’audit des scores obtenus, via par exemple le « narrative generation » pour chaque hit traité.
• Efficience / Priorisation des alertes : l’apport du machine learning est l’apprentissage à partir des meilleurs analystes, un modèle évolutif et une priorisation des alertes selon le score.
• Approche progressive / internalisée : l’utilisation de ce type d’approche pour le traitement d’un stock d’alertes permet une internalisation du modèle avant un déploiement sur les processus courant (et éviter la génération de stocks futurs).

Téléchargez la brochure via le lien ci-après pour en savoir plus l'offre conjointe Protiviti + Complidata qui permet d’associer l’expertise et la présence internationale de Protiviti aux solutions innovantes de Complidata en matière de scoring et d’Intelligence Artificielle / Machine Learning pour améliorer l’efficacité de vos programmes AML.