Évaluation du risque de crédit et assistance à la notation : validation du projet d'IA

Gains :

• Capacité à comprendre sur quoi repose la notation de crédit des données et que l'intelligence artificielle ne fournit pas le score, mais un résumé clair du score et accélère la vérification des documents manquants
• Utiliser l'intelligence artificielle pour réaliser un contrôle de cohérence et un projet de justification de décision pour le dossier de prêt et être en mesure de prendre la décision finale d'attribution en tant qu'expert habilité
• Capacité à comprendre que les résultats du modèle doivent être documentés de manière explicable, justifiable et non discriminatoire et à maintenir des lignes rouges

Lorsqu'une demande de prêt arrive, une question simple se pose en arrière-plan : « Ce client peut-il rembourser ce prêt et quel risque fait-il courir à la banque ? La réponse à cette question est dispersée dans une série de tâches qui occupent la majeure partie de la journée du spécialiste du crédit : lire le compte de résultat, calculer le ratio dette/revenu, interpréter l'historique de crédit (note du KKB - Credit Registry Bureau), évaluer la garantie, la comparer avec la politique interne et enfin rédiger une décision motivée. L’intelligence artificielle fait gagner beaucoup de temps dans la lecture, la synthèse et le contrôle de cohérence des parties de ces tâches. Mais attention : l'IA ne génère pas la partition, elle vous aide à comprendre ce que signifie la partition et où le fichier est incohérent. La décision d'attribution de crédits, accompagnée de sa justification, est signée par l'expert habilité.

Dans cette unité, nous verrons étape par étape sur quoi repose la notation de crédit des données, à quel moment vous pouvez utiliser l'intelligence artificielle en toute sécurité, comment vérifier ses résultats et quelles lignes rouges vous ne devez jamais franchir.

Sur quoi se base la notation de crédit ?

Un pointage de crédit est une estimation qui réduit la probabilité de remboursement d’un client à une valeur numérique. Les entrées typiques sont :

• Revenu et emploi : Revenu mensuel régulier, horaires de travail, continuité de la source de revenu.
• Endettement actuel : prêts existants, dettes de carte de crédit, ratio dette/revenu (rapport entre le paiement mensuel de la dette et le revenu).
• Antécédents de crédit : modèles de paiement antérieurs, retards, dossiers de suivi juridique (le score KKB résume cela).
• Garantie : l'actif (maison, véhicule, dépôt) et sa valeur fourni en contrepartie du prêt.
• Caractéristiques de la demande : montant du prêt, maturité, type de produit.

Astuce : Le score est une « estimation de probabilité » et non un « fait ». Deux clients peuvent avoir le même score, mais leurs histoires peuvent être complètement différentes. Prendre une décision sans voir le raisonnement derrière la partition, c'est juger le livre par sa couverture.

Quelle est la place de l’intelligence artificielle dans ce processus ?

Il est clair où l’intelligence artificielle peut être utilisée en toute sécurité et où elle ne le peut pas :

Quête

Rôle de l'IA

Qui a la décision/approbation ?

Résumer les montants dans un document de revenus

Lecture, résumé

Confirmation de source experte

Projet de calcul du ratio dette/revenu

projet de compte

L'expert recalcule

Contrôle de cohérence des fichiers (recherche de contradictions)

scanner

L'expert confirme

Projet de justification du rejet/approbation

brouillon de texte

Auteur expert autorisé/approbations

Expliquer la signification de la partition

Texte descriptif

Avis d'experts

Décision d'attribution de crédit

(ébauche seulement)

L'autorité/le comité décide

Comme on peut le constater, l’intelligence artificielle produit des traites et des contrôles sur chaque ligne ; ne « décide » dans aucune ligne. Le maintien de cette distinction est l’essence même de cette unité.

Pas à pas : préparer un dossier avec le support de l'intelligence artificielle

1. Anonymiser. Supprimer le nom, l'ID TR, le numéro de compte ; Décrivez le client comme étant « 42 ans, fonctionnaire, segment X ».
2. Demandez un brouillon. Demandez à l'IA d'effectuer des résumés de fichiers, des contrôles de cohérence et des projets de justifications, et non des décisions.
3. Connectez-le à la source. Marquez de quel document provient chaque numéro sur l’impression.
4. Recalculer. Vérifiez vous-même les chiffres critiques, tels que le ratio dette/revenu, le ratio de garantie, etc.
5. Filtre de stratégie. Vérifiez le respect de votre politique de crédit interne et de votre politique de non-discrimination.
6. Décision et signature. Vous prenez la décision, rédigez la justification, laissez la piste d’audit.

Quatre modèles copiables

1) Vérification de la cohérence des fichiers :

Votre rôle : vérificateur de cohérence des dossiers de crédit. Prise de décision. Client (anonyme) : 42 ans, fonctionnaire, revenu net mensuel 55 000 TL, mensualité actuelle du prêt 12 000 TL, demande 250 000 TL / 48 mois. Tâche : Y a-t-il des contradictions mathématiques ou logiques, des documents manquants ou des dates incohérentes dans les informations fournies ? Énumérez chaque résultat avec l'étiquette « [confirmation requise] » et en précisant sur quelles informations il est basé. La décision m’appartient.

2) Contrôle du calcul du ratio dette/revenu :

Calculez le ratio dette/revenu étape par étape à l'aide des données suivantes et affichez la formule.Faites simplement le calcul, ne prenez pas de décision d'éligibilité.Revenu mensuel net : 55 000 TL Paiement mensuel actuel de la dette : 12 000 TLE Acompte mensuel estimé du nouveau prêt : 6 500 TL Sortie souhaitée : taux actuel, taux incluant le nouveau prêt, formule et étapes intermédiaires.

3) Projet de justification du rejet/approbation (explicable) :

Votre rôle : assistant qui RÉdigE la justification de la décision de prêt. SUR LA BASE des résultats vérifiés que je vous donne en entrée, en ajoutant de nouvelles informations. Constatations : [ratio dette/revenu 34 %, ratio de garantie adéquat, 1 dossier de délinquance] Tâche : Rédiger une ébauche de justification basée sur ces constatations qui soit explicable et ne contient pas de langage discriminatoire. Aucune référence aux caractéristiques protégées (âge, sexe, origine, quartier). J'ajouterai la décision finale et la signature.

4) Explication simple de la partition :

Expliquez à un client ce que signifie une cote de crédit en 4 phrases, en utilisant un langage non accusateur et sans utiliser de jargon technique. N'utilisez pas de données personnelles, ne faites pas de promesses définitives. Je vérifierai ce texte avant de le transmettre au client.

Invite faible/Invite forte

Invite faible :

Devons-nous accorder du crédit à ce client ? Décidez en fonction de votre score et écrivez votre raison.

Cette demande laisse la décision au modèle, ne fait pas de lien avec la source et n'empêche pas la justification de paraître discriminatoire.

Invite puissante :

Votre rôle : assistant d’aide à la décision, pas décideur. Rédigez un PROJET de justification basé sur les conclusions vérifiées que je vous ai fournies. Montrez entre parenthèses le résultat sur lequel chaque phrase est basée. Ne faites pas référence à des propriétés protégées. Marquez tout point peu clair comme « [confirmation requise] ». Je prendrai la décision finale en matière de crédit et la responsabilité.

La volonté forte limite le rôle, relie chaque réclamation à la source, empêche la discrimination et maintient la décision dans la personne.

trois mini-cases

Cas 1 — Gain de temps. Un expert effectue un contrôle de cohérence sur un portefeuille de 30 dossiers. L’IA signale 5 écarts tels que « Les revenus déclarés au numéro 8 sont de 60 000 mais la masse salariale en indique 42 000 ». L'expert confirme tout à la source ; 3 d’entre eux sont réels, 2 d’entre eux sont de fausses lectures de l’intelligence artificielle. Un travail manuel de 3 heures est réduit à 40 minutes et aucun avertissement n'est utilisé sans vérification.

Cas 2 — Le recalcul détecte l'erreur. L’IA résume le ratio dette/revenu à « 28 % ». L'expert reprend la formule : la dette existante n'est pas incluse, le taux réel est de 41%, ce qui dépasse le seuil de la politique intérieure. Sans vérification, une fausse confirmation pourrait se produire.

Cas 3 — Refus pour motif discriminatoire. L'intelligence artificielle construit l'expression « la zone où vit le candidat est à risque » dans un projet de rejet. L'expert le nie ; Cette affirmation comporte un risque de discrimination indirecte (variable proxy) basée sur le district. La justification est réécrite avec uniquement des critères légitimes tels que le ratio dette/revenu et les antécédents de délinquance.

Au-delà de la partition : contexte et dossiers « limites »

La partie la plus difficile des décisions de crédit n'est pas l'acceptation ou le rejet ouvert, mais les dossiers « limites ». Si le score est trop proche du seuil de la politique intérieure, la décision ne peut pas être laissée à la merci d’un seul chiffre ; le contexte entre en jeu. C’est là que l’IA peut tendre un piège : elle évalue chaque fichier de limites avec la même logique mécanique et passe à côté de la nuance. C'est l'expert qui ajoute la nuance.

Exemples de contexte dans lequel un expert examine un dossier de frontière :

• L'histoire du retard : Un seul retard était-il dû à un problème de santé temporaire ou à une incapacité persistante de payer ? Le même « 1 enregistrement de retard » peut raconter deux histoires différentes.
• Nature du revenu : Deux clients peuvent avoir des revenus égaux, mais l'un peut être un salarié régulier et l'autre un revenu indépendant variable ; Le profil de risque est différent.
• Relation avec la banque : Le dossier d'un client qui travaille bien depuis longtemps se lit différemment de celui d'un nouveau client.

L'IA peut vous aider à résumer ces contextes, mais c'est à l'expert de peser et de décider, surtout dans les cas limites.

Astuce : Dans les cas où le score est proche du seuil, concentrez-vous sur la question « que raconte l'histoire de ce client » plutôt que « qu'a dit le modèle ? C’est dans les fichiers de limites que le jugement des experts, et non l’automatisation, brille.

Erreurs courantes

• Penser que le score est la décision. Le score est une prédiction ; Ce n'est pas la décision elle-même. Il est erroné de juger sur la base du score sans justification ni contexte.
• Ne pas recalculer le nombre. Utiliser les taux et totaux donnés par l’intelligence artificielle sans les confirmer ; C’est là qu’interviennent les hallucinations ou les erreurs de lecture.
• Ne pas remarquer la justification discriminatoire. Approuver les justifications qui incluent des caractéristiques protégées ou des variables de substitution telles que le quartier, l'âge, le sexe ; risque juridique sérieux.
• Contourner la piste d'audit. Défaut de documenter sur quelle conclusion vérifiée la décision était fondée ; ne peut être défendu lors d’une objection ou d’un audit ultérieur.
• Partage des informations d'identification. Saisir l'outil sans anonymiser le fichier.

Attention : Lorsqu'une décision de crédit est rejetée, le client a le droit d'en connaître le motif et de s'y opposer. Par conséquent, la justification doit être à la fois correcte, explicable et exempte de discrimination. "Le modèle l'a noté de cette façon" n'est pas une justification.

En résumé

La notation de crédit est une estimation de probabilité basée sur des données telles que le revenu, l’endettement, les antécédents de crédit et les garanties. Dans ce processus, l'IA produit une lecture de documents, une vérification de cohérence, un projet de compte et un projet de justification ; Mais cela ne change ni le score ni la décision pour vous. Recalculez chaque nombre, attribuez chaque justification à la source et passez-la au filtre de discrimination. La décision d'attribution de crédits est signée par l'expert habilité, accompagnée de la justification explicable. En une phrase : L’intelligence artificielle prépare le dossier ; Une personne compétente prend la décision de crédit.

Tâche de candidature

Définir un exemple de dossier de crédit (anonyme : âge, profession, revenus, dette actuelle, créance, échéance). Avec les modèles 1 et 2 ci-dessus, effectuez d’abord un contrôle de cohérence puis calculez le ratio dette/revenu. Recalculez et comparez manuellement le taux donné par l’intelligence artificielle. Générez ensuite un brouillon de justification avec le 3ème modèle et vérifiez s'il contient une propriété protégée ou une variable de substitution ; Réécrivez-le avec des critères légitimes, le cas échéant.

liste de contrôle

• [ ] J'ai anonymisé le dossier ; Je n’ai partagé aucune information d’identification.
• [ ] J'ai confié à l'intelligence artificielle une tâche de projet/contrôle, pas une décision.
• [ ] J’ai recalculé manuellement le ratio dette/revenu et les chiffres critiques.
• [ ] J'ai attribué la justification à des conclusions vérifiées et j'ai cité la source.
• [ ] J'ai vérifié qu'il n'y avait pas de propriété protégée/variable proxy dans l'argument.
• [ ] J'ai enregistré la décision et sa justification ; J'ai assumé la responsabilité ultime.