Titre complet : L'apport de l'IA dans la lutte contre le blanchiment d'argent et le financement du terrorisme (LCB-FT) : performance et explicabilité
Malgré la multiplicité des travaux de recherche ayant abordé la problématique de l'utilisation de l'IA comme outils de détection et de lutte contre le blanchiment d'argent, à ce jour, la littérature comporte deux trous (gaps) ou aspects restant à couvrir.
L'aspect évaluation de la performance de l'IA
Dans la littérature, les études qui ont évaluées la performance de l'IA dans la détection des transactions correspondant à du blanchiment d'argent sont loin d'être exhaustives. En effet, ces études considèrent seulement un nombre restreint d'algorithmes souvent choisis arbitrairement. Par ailleurs, les conditions expérimentales diffèrent généralement d'une étude à une autre rendant difficile la comparaison des résultats.
Afin d'évaluer le potentiel de l'IA dans la LCB-FT, des études comparatives exhaustives qui considèrent l'ensemble des algorithmes et des conditions expérimentales homogènes manquent dans la littérature. De telles études permettraient d'identifier les forces et les faiblesses de chaque algorithme ou catégories d'algorithmes.
L'aspect explication des prédictions de l'IA
Une IA est dite explicable lorsque l'être humain est capable de comprendre les éléments clés conduisant l'IA à fournir un résultat donné. Par exemple, pourquoi l'IA conclut qu'une transaction est suspecte et qu'une autre ne l'est pas. À notre connaissance, la problématique de l'interprétation de l'IA dans le cadre de la LCB-FT a été très peu abordée dans la littérature. Pourtant, l'interprétation de l'IA permettrait de faciliter le travail des analystes chargés d'examiner et documenter les alarmes et de réduire le délai de déclaration de soupçon, ce qui est essentiel pour que les banques restent conformes à la réglementation.
A propos de l'orateur
Fatoumata DAMA
R&D Data Scientist, PhD
Diplômée de l'école d'ingénieure Ensimag, Fatoumata a obtenu son doctorat en Informatique en 2022. Elle est spécialisée en Machine Learning, Deep Learning et modélisation probabiliste. Depuis 2023, elle occupe le poste d'Ingénieure R&D chez Talan où elle pilote des projets R&D sur des thématiques d'Intelligence Artificielle. Elle travaille actuellement sur la détection de fraude, l'IA explicable et l'application des IA génératives aux cas d'usage métier.
https//talan.com/
7 сен 2024
