Quels agents faut-il pour contrôler le développement des agents de l’IA?
Paru dans Forbes
Apprentissage automatique pour résoudre la mauvaise « qualité » des données
L’utilisation de l’apprentissage automatique (Machine Learning) se heurte à la « Data scarcity », c’est-à-dire à la mauvaise « qualité » de données qui ne sont exploitables que si elles sont « labellisées » au préalable conformément à l’analyse que l’on veut réaliser.
Explicabilité des modèles d’I.A.* « Black Box »
Les modèles d’intelligence artificielle sont utilisés dans de nombreux domaines (octrois de crédits, aide à la détection de fraude, etc.) et ils fournissent de très bon résultats. Cependant, ils manquent de transparence et d’explicabilité, ce qui constitue un frein à leur adoption par les équipes métiers et leur management, ainsi qu’à leur utilisation aux yeux des régulateurs.
Inférence causale : l’Uplift
Le nom uplift modelling désigne un ensemble de méthodes de scoring permettant d’évaluer au niveau individuel la sensibilité au démarchage commercial.
Intégration des risques climatiques dans la valeur des actifs immobiliers
Les biens immobiliers sont vulnérables à de nombreux risques climatiques (physiques, réglementaires ou économiques) qui vont déprécier fortement leur valeur. Cette dépréciation peut aller jusqu’à générer des « actifs échoués ».
L’I.A.* au service de l’évaluation de l’impact du changement climatique sur les activités du secteur financier
L’IA permet de mieux réaliser l’évaluation et l’anticipation des risques climatiques financiers (par exemple sur les risques pour les assureurs, les risques de crédit et/ou les risques de marché).