Advanced Credit Risk Analytics: Fairness, Interpretability, Homogeneity
Cette thèse propose des solutions innovantes pour répondre aux défis posés par l’utilisation de l’intelligence artificielle (IA) durant le processus d''évaluation de la solvabilité d'un emprunteur. Le premier chapitre introduit un cadre d’analyse permettant de détecter et de corriger les biais de discriminations potentielles des algorithmes d’IA, tout en maintenant leur niveau de performance. Le deuxième chapitre propose une méthodologie permettant de comprendre pourquoi un algorithme est en capacité, ou non, de distinguer un individu solvable d’un individu non solvable. Le dernier chapitre introduit une nouvelle mesure d’homogéneité des classes de risque dans les systèmes de notation interne des banques pour le risque de crédit.
An episode of the Finance d’Entreprise et Finance de Marché podcast, hosted by FNEGE MEDIAS, titled "Advanced Credit Risk Analytics: Fairness, Interpretability, Homogeneity" was published on July 1, 2025 and runs 2 minutes.
July 1, 2025 ·2m · Finance d’Entreprise et Finance de Marché
Summary
Cette thèse propose des solutions innovantes pour répondre aux défis posés par l’utilisation de l’intelligence artificielle (IA) durant le processus d''évaluation de la solvabilité d'un emprunteur. Le premier chapitre introduit un cadre d’analyse permettant de détecter et de corriger les biais de discriminations potentielles des algorithmes d’IA, tout en maintenant leur niveau de performance. Le deuxième chapitre propose une méthodologie permettant de comprendre pourquoi un algorithme est en capacité, ou non, de distinguer un individu solvable d’un individu non solvable. Le dernier chapitre introduit une nouvelle mesure d’homogéneité des classes de risque dans les systèmes de notation interne des banques pour le risque de crédit.
Episode Description
Cette thèse propose des solutions innovantes pour répondre aux défis posés par l’utilisation de l’intelligence artificielle (IA) durant le processus d''évaluation de la solvabilité d'un emprunteur. Le premier chapitre introduit un cadre d’analyse permettant de détecter et de corriger les biais de discriminations potentielles des algorithmes d’IA, tout en maintenant leur niveau de performance. Le deuxième chapitre propose une méthodologie permettant de comprendre pourquoi un algorithme est en capacité, ou non, de distinguer un individu solvable d’un individu non solvable. Le dernier chapitre introduit une nouvelle mesure d’homogéneité des classes de risque dans les systèmes de notation interne des banques pour le risque de crédit.