Scoring de crédit (haut risque) : prompts métier et garde-fousCredit scoring (high risk): domain prompts and guardrailsScoring de crédito (alto riesgo): prompts sectoriales y salvaguardas
Parcours : IA pour la Banque & Assurance · AvancéCourse: AI for Banking & Insurance · AdvancedCurso: IA para Banca y Seguros · Avanzado

≈ 10 min
Contexte
Pourquoi le scoring de crédit concentre les attentes réglementaires.
Au programme de ce moduleIn this moduleEn el programa de este módulo
- 01Contexte≈ 10 min
- 02Explication≈ 22 min
- 03Démonstration≈ 20 min
- 04Cas pratique≈ 12 min
- 05Étude de cas≈ 16 min
- 06Exercice≈ 20 min
- 07Quiz≈ 5 min
Le scoring de crédit attribue une probabilité de défaut à un emprunteur. C’est l’un des usages d’IA les plus anciens du secteur, et l’un des plus encadrés : une décision défavorable peut priver une personne de logement ou d’investissement. La performance statistique ne suffit pas ; l’équité, l’explicabilité et la robustesse sont exigées au même titre. L’AI Act vise explicitement ce cas comme « haut risque » lorsqu’il concerne des personnes physiques (Annexe III, point 5 b).
L’idée fausse à déconstruire d’emblée : « si mon modèle est performant, il est juste ». Un modèle peut afficher une excellente précision globale ET désavantager systématiquement un groupe, parce qu’il a appris des régularités historiques elles-mêmes biaisées. Performance et équité sont deux propriétés distinctes : on peut être très précis et profondément discriminant.
Conséquence pratique pour ce module à HAUT RISQUE : tout ce qui suit (variables, proxys, tests d’équité, écarts) produit des BROUILLONS de travail. La qualification réglementaire, le choix d’une variable et la frontière entre écart « justifié » et discrimination relèvent d’un avis humain croisé conformité/risque + juridique. Le marqueur de validation humaine n’est pas une formalité : il signale les points où une erreur engage des droits fondamentaux.
Objectifs d’apprentissage
À l’issue de ce module, palier N2 « Appliquer », vous saurez Reconnaître les variables et variables indirectes (« proxys ») à risque dans un score de crédit, Appliquer un test d’impact différentiel (« disparate impact ») sur des données fictives, et Analyser un écart d’acceptation pour proposer une mesure corrective documentée.