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.
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.
Le nom uplift modelling désigne un ensemble de méthodes de scoring permettant d’évaluer au niveau individuel la sensibilité au démarchage commercial.
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’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).
La multiplication des données (actualités réseaux sociaux, rapports d’entreprises, communiqués) est devenu un défi majeur pour les experts et décideurs en RSE pour extraire et interpréter les données clés.
