Le potentiel perturbateur de l’IA dans la gestion des risques :

Gestion des risques il s’agit de résoudre des problèmes complexes pour le business. Les problèmes dans les affaires ou dans la vie peuvent généralement être définis comme un schéma reconnaissable qui entraîne un résultat négatif pour quelqu’un ou quelque chose. Cette simple déclaration (données avec un modèle) est tout ce qui est nécessaire pour créer un programme d’apprentissage automatique.

L’intelligence artificielle est désormais intégrée dans toutes les principales plates-formes logicielles que les entreprises et les particuliers utilisent aujourd’hui, principalement via des algorithmes d’apprentissage automatique. ML est simplement un sous-ensemble de l’IA où le logiciel peut apprendre automatiquement à partir des données sans avoir besoin de programmation ou de contact humain. Par exemple, chaque fois que Youtube vous interroge ou que Grammarly vous demande s’il a fait une recommandation correcte, vous alimentez un flux de données pour identifier un modèle et améliorer un modèle d’apprentissage automatique.

La gestion des risques comporte cinq parties, et cet article expliquera comment l’IA et le ML sont utilisés dans chaque secteur respectif.

IDENTIFIANT

L’identification des risques est le processus de détermination des risques potentiels pour une entreprise et de documentation des risques réels auxquels elle est confrontée. Chaque fois qu’un problème est identifié et catégorisé, il crée un ensemble de données qui peut être utilisé pour former un modèle d’apprentissage automatique. Actuellement, le ML en identification est utilisé dans le « Clustering ».

Le regroupement est le processus d’utilisation de grands ensembles de données pour trouver des valeurs aberrantes dans un ensemble. C’est le contraire de l’identification de modèle, filtrant tout ce qui n’est pas dans une marge d’erreur pour le modèle, trouvant ainsi des anomalies.

En comptabilité, la mutualisation de la gestion des risques est utilisée pour identifier les coûts qui sortent de l’ordinaire ou les investissements qui semblent déplacés. Il est également utilisé dans certains programmes CPA pour identifier les emplacements des flux de trésorerie afin de trouver des anomalies dans les états financiers.

L’identification ML est également utilisée dans les logiciels de surveillance des employés pour identifier les modèles de comportement des personnes à problèmes qui créent des problèmes potentiels de conformité à l’OSHA. Cela a gagné en popularité récemment pour télétravailleurs pour confirmer qu’ils fonctionnent réellement et pas seulement utiliser FB sur les ordinateurs de l’entreprise.

Une analyse

L’analyse des risques est la deuxième étape de la gestion des risques et est la plus axée sur les données. Une fois qu’un risque est identifié, l’étape suivante consiste à évaluer les dommages potentiels que le risque peut causer et à déterminer dans quelle mesure une entreprise doit être préparée au problème.

Le ML basé sur l’IA est généralement utilisé dans l’analyse basée sur le risque et la perte d’investissement, généralement liés aux actifs déjà détenus. Partager un logiciel prédictif pour les investissements à court et à long terme utilisera des modèles d’apprentissage automatique formés sur les expériences de marché passées et les communiqués de presse publiés ce jour-là.

Bien que l’analyse de l’IA ait parcouru un long chemin dans l’évaluation prédictive des actifs, elle est aussi bonne que les données qui lui sont fournies. Il est impossible de collecter des informations du futur, donc si une nouvelle situation survient dans laquelle le ML n’a jamais été formé, cela entraînera une mauvaise appréciation de la situation potentielle.

Nous avons vu cela se produire avec COVID-19 et le marché de la crypto-monnaie choquer et rebondir. Le logiciel de sélection de titres n’a pas prédit les impacts imminents du virus et a donc raté les choix de croissance à court et à long terme. Cette situation était en dehors de l’ensemble de données, et les exemples possibles précédents étaient trop anciens pour être considérés comme similaires en raison de plusieurs autres facteurs. Tant qu’une situation d’analyse est une répétition d’un problème documenté, il y a de fortes chances que le ML aboutisse à une bonne valeur pour la situation.

Planification

« Qu’est-ce-qu’on va faire? » est la question principale de la planification. C’est là que brille la vraie beauté de l’apprentissage automatique. Creative ML existe surtout dans le logiciel Google Image qui crée de l’art, mais il existe des cas encore plus extraordinaires où des programmes ont résolu de manière créative des problèmes étranges.

Une situation où apprentissage automatique il peut être utilisé dans la planification d’entreprise pour prévoir le taux de désabonnement des clients et des solutions pour le réduire. Il existe des API open source que vous pouvez intégrer à vos plates-formes logicielles pour cette utilisation spécifique.

Le ML peut également être utilisé dans les étapes de planification pour tester des plans pour certaines situations. Vous voudrez peut-être tester si un serveur cloud ou un serveur personnel local est le moyen le plus sûr pour stocker des données. Eh bien, vous pouvez demander à un programme ML d’exécuter des tests de résistance du système si vous envisagez de développer rapidement une base de données clients ou d’attendre les cyberattaques. Vous trouverez également la planification dans un logiciel d’analyse d’entreprise qui propose des solutions pour réduire les coûts.

Atténuation

L’IA dans l’atténuation n’a pas encore atteint les sommets des autres catégories de gestion des risques ; cependant, il a trouvé des cas d’utilisation pour réduire l’exposition des employés aux dangers.

Certaines startups cartographieront l’aménagement physique de votre entreprise et détermineront les emplacements présentant la plus forte probabilité de dommages physiques aux employés et ceux qui causent le plus de réclamations d’assurance. Pour ce faire, on utilise les ensembles de données sur les risques les plus élevés et on les compare à l’aménagement physique de divers lieux de travail.

Cette technologie est également utilisée dans la construction pour placer les matériaux plus efficacement, réduire le temps et placer les gros équipements dans des endroits plus sûrs. On le trouve également dans les lieux de travail avec des gaz et des matériaux dangereux, tels que les entrepôts à grande échelle, qui peuvent provoquer une intoxication au CO. Bien qu’il existe peu d’exemples de logiciel d’atténuation qui utilisent le ML, peut être la plus pratique des cinq catégories pour réduire l’assurance, réduire le danger des employés et augmenter la productivité.

Surveillance

Alors que les problèmes commerciaux continuent d’évoluer, les gestionnaires des risques doivent garder un œil sur la situation. Wells Fargo Bank a été ouverte sur l’endroit où elle utilise l’apprentissage automatique dans son entreprise. Ils ont été cités par Agus Sudjianto, EVP, Head of Corporate Model Risk, l’utilisant pour la criminalité financière ou effectuant une surveillance de détection des failles pour le risque de conformité.

Comme indiqué précédemment dans l’article, ML est excellent pour identifier les modèles et les valeurs aberrantes à partir de ce modèle attendu. Comme dans les exemples ci-dessus, il existe une variété de systèmes de surveillance ML pour les travailleurs virtuels, la sécurité physique des bâtiments, récybermenaces numériqueset plein d’autres.

Fin

Alors que notre monde continue de devenir de plus en plus axé sur les données et dépendant de l’IA, vous commencerez à entendre parler de solutions logicielles qui pourraient rendre la plupart des risques non risqués. Étant donné que l’atténuation des risques est l’une des tâches les plus axées sur les données au monde, veuillez continuer à collecter et à enregistrer les expériences et les résultats en matière de risques pour peut-être les utiliser comme base pour votre programme de ML basé sur l’IA. Tout ce dont vous avez besoin est un modèle.