Tout le monde et leur cousin essaient de tirer parti de la puissance de l’IA de nos jours. Il est difficile de ne pas remarquer le flot constant d’articles, de publications sur les réseaux sociaux ou des sombres prophéties d’Elon Musk sur l’intelligence artificielle. Et ce n’est pas seulement dans le domaine technologique. Le langage de l’IA est entré dans le courant dominant des conversations dans tous les secteurs.
Dans le domaine du prêt à la consommation, la régression logistique a été la référence d’or pendant des décennies pour prédire qui fera défaut sur un prêt. Il semble maintenant sur le point de perdre sa place au sommet du podium, avec l’IA promettant de repousser encore plus les limites de la prévisibilité : des décisions plus rapides et éclairées, une surveillance de la fraude en temps réel, une bien meilleure expérience utilisateur — ce n’est qu’un début. Pour de nombreuses entreprises, la course est lancée.
Mais voici le problème : nous ne pouvons pas développer des solutions d’IA dans le vide — il faut savoir exactement quels problèmes vous essayez de résoudre. Et je parle de tous les problèmes, pas seulement de la prédiction d’une solution. Si nous ne réfléchissons pas attentivement à la façon de mettre en œuvre une stratégie de risque utilisant la puissance de l’IA pour tenir compte de questions telles que l’explicabilité, la réglementation et l’équité, alors nous risquons de dépenser beaucoup d’argent, de perdre beaucoup de temps et, au final, de conclure à tort que nos pratiques de prêt ne bénéficieraient pas de l’IA.
Voici le truc : nous ne pouvons pas développer des solutions d’IA dans le vide — il faut savoir exactement quels problèmes vous essayez de résoudre.
J’ai consacré ma carrière à la science des données et à la recherche de solutions analytiques pour résoudre les problèmes de prêt à la consommation. J’ai été des deux côtés de la question, en dirigeant des équipes de science des données et de gestion des risques. Dans cette série d’articles, j’ai l’intention de partager des idées et des conseils pratiques pour vous aider dans votre propre parcours d’IA. Allons-y!
La solution à la recherche d’un problème
Entendu dans un bureau près de chez vous :
« Nous devons avoir une stratégie d’IA. »
« Nos concurrents utilisent l’IA — nous devrions aussi. »
« Nous sommes la meilleure compagnie d’IA! Engagez-nous, et nous réglerons tous vos problèmes. »
Droit? Nous avons tous entendu des variantes de ces déclarations. Cela fait partie de l’air du temps : pour rester compétitifs, nous devons utiliser l’IA. En ce moment, les banques sont Dépenses des milliards explorent et mettent en place des équipes sophistiquées de science des données dans l’espoir que leur stratégie d’IA leur apportera un avantage concurrentiel.
Nous savons qu’il y a un engouement — mais avec tant d’inconnues, l’IA semble rapidement être une solution à la recherche d’un problème.
En tant que professionnels de la gestion des risques de crédit, nous devenons souvent nerveux lorsqu’on nous confronte à une façon « nouvelle et améliorée » de faire les choses. Cela s’est déjà produit lorsque le crédit est apparu pour la première fois en 1958. Et cela se reproduit lorsqu’une équipe interne de science des données ou un fournisseur d’IA dit que nous devrions utiliser l’IA pour développer des modèles de crédit et de fraude. Nous savons qu’il y a un engouement — mais avec tant d’inconnues, l’IA semble rapidement être une solution à la recherche d’un problème. Pourquoi perdre du temps et des ressources à essayer de développer une solution que je ne peux pas mettre en œuvre ou qui ne répond pas à toutes mes préoccupations? Je me suis posé ces questions plusieurs fois dans le passé parce que je résistais à essayer de nouvelles méthodes.
En réalité, j’ai réalisé que c’est une pensée rétrograde. L’IA est un outil puissant qui peut améliorer les processus de décision de crédit. Si vous n’avez pas encore identifié tous les problèmes à résoudre et réfléchi à la façon dont vous appliqueriez l’IA, alors mettre en place une stratégie d’IA pour la décision de crédit est effectivement prématuré. Mais, avec les bons partenaires en science des données, vous pouvez utiliser avec succès cette nouvelle technologie pour améliorer vos pratiques globales de gestion des risques.
Au-delà du buzz
Alors, comment dépasser le battage médiatique pour réellement développer des outils afin de tirer profit de l’IA dans la décision de crédit? La première étape consiste à créer un véritable partenariat entre l’équipe de science des données et l’équipe de gestion des risques. Voici comment procéder :
- Apportez des cafés pour tout le monde
Et juste après, lancer ce partenariat par une rencontre exploratoire pour discuter, réfléchir et se lancer des défis sur les problèmes que nous essayons de résoudre et comment nous procédons pour les résoudre. Ces problèmes évoqués peuvent être larges, comme « Je dois réduire le défaut de paiement dans mon portefeuille de cartes de crédit » ou plus spécifiques, comme « J’ai besoin de savoir à qui je devrais vendre un prêt auto à faible taux d’intérêt ».
- Creuse profondément et pose des questions difficiles
La discussion devrait approfondir pour explorer tous les autres enjeux possibles : quelles données sont disponibles pour le développement de modèles? Quelles sont mes limites d’implémentation en TI? Quels sont les enjeux réglementaires que je dois régler? Existe-t-il une solution d’IA prête à l’emploi qui fonctionnerait? Quelle est la définition du succès?
- Prends plus de cafés (si besoin)
Ne sous-estimez pas le temps que cela prendra — j’ai passé des journées entières dans ce genre de réunion, et c’était du temps bien investi. Sans une compréhension solide de tous les problèmes, l’équipe de science des données risque de fournir une solution qui ne résout pas les problèmes sous-jacents. L’équipe de science des données a aussi la responsabilité d’informer l’entreprise si l’IA est la bonne solution au problème en question.
- Créez un outil qui prédit les bons clients, pas les gens de chats (ou de chiens)
Une solution IA à un problème doit être exploitable ou mener à une décision concrète. Imaginez votre équipe d’IA passant des semaines à analyser les données de transactions pour découvrir qu’elle peut prédire avec une grande précision quels clients sont les plus susceptibles d’avoir un chat ou un chien. C’est une découverte fascinante, c’est certain. Mais je parie que tu ne veux pas être la personne à devoir annoncer ça à ton PDG.
Ce dont vous avez besoin, ce sont des prévisions sur lesquelles vos équipes peuvent agir et transformer en revenus. Pour lancer votre mise en œuvre de l’IA, créer un partenariat entre vos équipes de science des données et de gestion des risques est la façon la plus sûre d’identifier d’abord les problèmes, puis de déterminer le meilleur outil pour les résoudre.
Pour aller plus loin, allez-y ensemble
Les avantages que vous obtenez en gardant vos data scientists en contact constant avec leurs partenaires d’affaires vont au-delà d’une simple compréhension initiale des problèmes à résoudre. Développer un outil d’IA n’est pas un processus linéaire simple, et vous devriez vous assurer que l’équipe de science des données peut confirmer que ce sur quoi ils travaillent sera utilisé par l’entreprise.
Inversement, en entendant ce que l’équipe de science des données découvre, l’entreprise peut réfléchir à des actions qu’elle n’a jamais envisagées auparavant. Peut-être que l’équipe de science des données découvrira une forte relation entre les tendances du solde des comptes chèques et la probabilité qu’un consommateur fasse défaut sur un prêt. Cela pourrait ouvrir les yeux d’un gestionnaire des risques pour acquérir des données qu’il n’a pas traditionnellement utilisées pour la prise de décision.
Et n’oublions pas le fait que parfois, des solutions simples fournissent la plupart, sinon la totalité, de l’information dont nous avons besoin. Ce n’est pas parce que l’IA est en mode que c’est la bonne solution pour toutes les situations. Pense juste aux permanentes dans les années 80. En tant qu’entreprise, nous devons peser les coûts et le temps liés à l’utilisation de techniques complexes par rapport au retour sur investissement que nous espérons obtenir.
Comme la plupart des data scientists, j’adore creuser les données et utiliser les techniques les plus avancées possibles. C’est une sensation fantastique de prendre un grand ensemble de données, d’appliquer des algorithmes complexes et de découvrir des schémas qu’on n’avait jamais vus auparavant ou des relations auxquelles on n’aurait jamais pensé en un million d’années. Cependant, aussi passionnant que soit ce travail, il est tout aussi décevant, sinon plus, d’apprendre que tout le travail et le temps que vous avez consacré ne seront pas utilisés par l’entreprise.
En plus d’être praticien en science des données, j’ai aussi été un consommateur d’IA pour m’aider à prendre des décisions d’affaires. Si quelqu’un vient me voir et me dit « Je peux utiliser l’IA pour aider votre entreprise » sans prendre le temps de comprendre ce qu’est mon entreprise et quels sont mes problèmes, je deviens sceptique. Essaient-ils de me vendre un outil à la recherche d’un problème?
