1/4+150 XP

Underwriting par IA et détection de fraude dans le crédit

# Underwriting par IA et détection de fraude dans le crédit

Un freelance de 27 ans, sans carte de crédit, avec un dossier FICO mince et des revenus réguliers issus de trois plateformes de gig economy, se présente dans une banque traditionnelle : refus en quelques secondes. Le même candidat sollicite un prêteur digital : accord en moins d'une minute, à un taux que la banque n'aurait pas pu proposer. Rien n'a changé chez l'emprunteur. Ce qui a changé, ce sont les données et le modèle qui les lit.

Cette leçon parcourt les deux moitiés de l'intelligence appliquée au crédit : comment l'IA décide qui obtient un prêt (underwriting), et comment l'IA empêche les criminels de voler l'argent (détection de fraude).

Pourquoi FICO seul laisse de l'argent (et des emprunteurs) sur la table

FICO est un score de crédit construit essentiellement à partir de votre historique d'emprunt : le niveau d'endettement, le respect des échéances, l'ancienneté de vos comptes. Cela fonctionne bien pour les personnes ayant un long historique de crédit. Cela fonctionne mal pour tous les autres.

Le Consumer Financial Protection Bureau estime qu'environ 45 à 50 millions d'adultes américains sont « credit invisible » ou « unscorable », c'est-à-dire qu'ils ont trop peu d'historique pour générer un score fiable. Les immigrants, les jeunes actifs et les indépendants dominent ce groupe.

Pour un prêteur, un dossier mince n'est pas la même chose qu'un mauvais emprunteur. C'est simplement de l'information manquante. L'underwriting par IA comble ce vide.

Des scorecards aux modèles de gradient boosting

L'underwriting traditionnel utilisait une scorecard : une simple table de points où chaque attribut (revenu, ratio d'endettement, impayés) ajoute ou retire des points. Transparent, mais grossier.

Les prêteurs digitaux utilisent de plus en plus des gradient-boosted trees (des modèles comme XGBoost ou LightGBM). Ils construisent des centaines de petits arbres de décision en séquence, chaque nouvel arbre corrigeant les erreurs du précédent. Le résultat capture des patterns non linéaires qu'une scorecard rate, par exemple qu'un ratio d'endettement élevé n'est pas un problème s'il est associé à un revenu stable sur plusieurs années, mais devient risqué si le revenu est volatil.

Le carburant, c'est la donnée alternative : des signaux au-delà du bureau de crédit. Exemples courants :

Données de cash flow issues d'un compte bancaire connecté (via un agrégateur comme Plaid) : régularité des revenus, fréquence des découverts, épargne de précaution.
Paiements de loyer et de factures, qui prédisent le remboursement mais apparaissent rarement dans FICO.
Vérification de l'emploi et de la paie.

L'underwriting basé sur le cash flow est aujourd'hui une pratique reconnue. Le CFPB a évoqué publiquement les données de cash flow comme moyen d'élargir l'accès au crédit, et les règles d'open banking finalisées aux États-Unis poussent les données autorisées par le consommateur vers le mainstream.

Ce que le modèle produit réellement

Le modèle ne sort pas « accorder » ou « refuser ». Il sort une probabilité de défaut (PD) : la probabilité estimée que l'emprunteur ne rembourse pas sur une fenêtre donnée. Le prêteur combine ensuite la PD avec le montant, la durée et son propre coût du capital pour tarifer le prêt (risk-based pricing).

python

# Simplifié : le modèle donne la PD, la logique métier décide du prix
pd = model.predict_proba(applicant_features)[0][1]  # ex. 0.06 = 6 % de risque de défaut

if pd < 0.03:
    decision, apr = "approve", 0.089
elif pd < 0.10:
    decision, apr = "approve", 0.159   # tarifé plus haut pour un risque plus élevé
else:
    decision, apr = "decline", None

Le modèle estime le risque. Les humains et la politique de crédit fixent les seuils et les prix.

Le piège réglementaire : vous devez expliquer la décision

C'est là que la fintech diffère de la plupart des applications d'IA. Sous l'Equal Credit Opportunity Act (ECOA) américain et sa règle Regulation B, un prêteur qui refuse un crédit doit donner au candidat des motifs précis. « L'algorithme a dit non » est illégal.

D'où une contrainte forte : le modèle doit être explicable. Les équipes utilisent des outils comme SHAP (SHapley Additive exPlanations), qui attribue une prédiction aux features individuelles, pour générer les adverse action notices exigés (« refus motivé par : utilisation récente élevée du crédit, ancienneté professionnelle courte »).

Deux autres contraintes comptent :

Fair lending / disparate impact. Un modèle ne peut pas utiliser la race, le genre ou un proxy proche. Même une variable neutre (disons le code postal) peut constituer un proxy illégal si elle produit un impact disparate sur un groupe protégé. Les prêteurs réalisent des tests d'équité avant déploiement.
Model risk management. Les régulateurs attendent une validation documentée, du monitoring et de la gouvernance, dans la ligne de la guidance de la Federal Reserve connue sous le nom de SR 11-7.

La leçon : dans le crédit, un modèle légèrement moins précis que vous pouvez expliquer et défendre vaut souvent mieux qu'une black box que vous ne pouvez pas justifier.

🎬 [VIDEO: "Explainable AI with SHAP" - youtube.com - une explication claire de la façon dont SHAP attribue la prédiction d'un modèle à chaque feature d'entrée]

Détection de fraude : un problème totalement différent

L'underwriting demande « cette personne va-t-elle rembourser ? ». La détection de fraude demande « cette personne existe-t-elle, et cette transaction est-elle légitime ? ». Les deux tournent à des vitesses différentes. L'underwriting peut prendre une minute. Le scoring de fraude doit se faire en millisecondes, avant que l'argent ne bouge.

Deux types de fraude

Fraude de première partie : une personne réelle ment (gonfle ses revenus, n'a jamais l'intention de rembourser).
Fraude de tierce partie : quelqu'un utilise une identité volée ou synthétique. La fraude à l'identité synthétique, qui associe un vrai numéro de Sécurité sociale à un faux nom et à un faux historique, est l'un des types à la croissance la plus rapide et est notoirement difficile à détecter, car la « personne » paraît nouvelle, pas frauduleuse.

Graphes de transactions et détection des réseaux de fraude

Les règles à transaction unique (« signaler tout virement supérieur à 5 000 $ ») attrapent la fraude maladroite. Les réseaux organisés les contournent en répartissant l'activité sur de nombreux petits comptes. Pour attraper les réseaux, il faut regarder les relations, pas seulement les transactions.

D'où le graphe de transactions. Chaque compte est un nœud, et chaque virement, appareil partagé, numéro de téléphone partagé ou banque partagée est une arête. Les réseaux de fraude s'illuminent sous forme de clusters denses : cinquante candidats « différents » partageant trois appareils et faisant converger les fonds vers un seul compte.

Les graph neural networks (GNN) apprennent des patterns sur ces structures. Au lieu de scorer un compte isolément, un GNN intègre le comportement de ses voisins. Un compte qui paraît propre seul mais se situe à un saut de dix comptes mules connus est signalé.

Un pattern simple que les prêteurs surveillent :

Beaucoup de nouveaux comptes, créés dans une fenêtre courte, avec des empreintes d'appareil qui se recoupent.
Des fonds qui convergent vers un petit nombre de points de cash-out.
Des données de candidature subtilement recyclées (même employeur, même formatage d'adresse, e-mails séquentiels).

La vitesse compte : scoring en temps réel

Les décisions de fraude se prennent en ligne. Un flux typique :

1. La demande ou la transaction arrive.

2. Les features sont extraites d'un feature store (signaux précalculés maintenus à jour, du type « appareil vu sur 8 comptes cette semaine »).

3. Un modèle renvoie un score de risque en millisecondes.

4. Score faible : on continue. Moyen : step-up authentication (vérification supplémentaire). Élevé : blocage et revue.

Le graphe est précalculé et mis à jour en continu pour que la décision en temps réel reste rapide. L'arbitrage que gère toute équipe fraude : bloquer trop agressivement crée des faux positifs (blocage de vrais clients, ce qu'on appelle la « friction »), bloquer trop peu fait grimper les pertes.

Vérification des acquis

1. Pourquoi le scoring FICO traditionnel laisse-t-il une large population d'emprunteurs de fait non servie ?

2. Dans l'exemple d'ouverture de la leçon, le même candidat est refusé par une banque mais accepté par un prêteur digital. Quel est l'enseignement conceptuel clé ?

3. Pourquoi les modèles de gradient-boosted trees peuvent-ils surpasser les scorecards traditionnelles en underwriting ?

CHOIX MULTIPLES

4. Sélectionnez TOUTES les réponses correctes décrivant les caractéristiques de l'underwriting par scorecard traditionnelle.

Sélectionnez toutes les réponses correctes.

CHOIX MULTIPLES

5. Sélectionnez TOUTES les réponses correctes concernant la notion de « donnée alternative » et les emprunteurs à dossier mince dans l'underwriting par IA.

Sélectionnez toutes les réponses correctes.

Vue d'ensemble : la stack du prêteur digital

Suivons un candidat chez un prêteur digital moderne :

1. Contrôle d'identité et de fraude d'abord. Est-ce une personne réelle ? L'appareil, l'e-mail et le pattern de candidature ressemblent-ils à un réseau connu ? Un GNN plus des règles scorent cela en temps réel. Échec ici, et l'underwriting ne tourne jamais.

2. Agrégation de données. Avec l'autorisation du candidat, récupération de l'historique de transactions bancaires et vérification du revenu et de l'emploi.

3. Modèle d'underwriting. Le modèle de gradient boosting produit une probabilité de défaut à partir des données du bureau de crédit et des données alternatives.

4. Pricing et politique. Conversion de la PD en accord/refus et en taux, dans le respect des règles de fair lending.

5. Couche d'explicabilité. Génération des motifs d'adverse action en cas de refus, via SHAP ou équivalent.

6. Monitoring continu. Surveillance du model drift (dégradation de la performance quand l'économie ou le mix d'emprunteurs évolue) et des réseaux de fraude qui s'adaptent au modèle.

Notez que l'IA intervient à deux moments très différents, pour deux missions très différentes, sous deux budgets temps très différents.

Là où les équipes se trompent

Courir après la précision au détriment de l'explicabilité. Dans le crédit, un modèle inexplicable est un risque de conformité, pas un actif.
Ignorer le drift. Un modèle entraîné sur une période de taux bas et de chômage bas peut se dégrader silencieusement quand les conditions changent. Le monitoring n'est pas optionnel.
Traiter la fraude comme statique. Les fraudeurs s'adaptent en quelques semaines. Un modèle non réentraîné devient la carte des attaques du trimestre dernier.
Fuite de données dans les graphes de fraude. Utiliser une information qui ne serait pas réellement disponible au moment de la décision gonfle la performance en test et s'effondre en production.

À retenir

L'underwriting par IA élargit l'accès au crédit en lisant des données alternatives (cash flow, loyer, paie) que FICO ignore, transformant les candidats à dossier mince en emprunteurs scorables.
Les modèles de gradient boosting produisent une probabilité de défaut, pas un oui ou un non. Les règles métier et le risk-based pricing transforment cette probabilité en décision.
L'explicabilité est une exigence légale, pas un agrément. ECOA et Regulation B obligent les prêteurs à justifier chaque refus, ce qui fait de SHAP et des tests de fair lending des éléments centraux de la stack.
La détection de fraude opère en millisecondes et repose sur les relations. Les graphes de transactions et les graph neural networks attrapent les réseaux que les règles à transaction unique laissent passer.
Les deux systèmes se dégradent sans monitoring. Model drift et fraudeurs qui s'adaptent signifient que le réentraînement et la gouvernance sont un travail continu, pas ponctuel.

Hyper-personnalisation des produits financiers