L'intelligence artificielle en finance : Recommandations pour une utilisation responsable
Notice bibliographique
Résumé
La transformation numérique, qui s’est accélérée depuis le début de la pandémie, se déploie dans tous les secteurs de notre société et de notre économie. L’offre plus personnalisée de produits et services financiers que permettent, entre autres, les systèmes d’intelligence artificielle sont à l’avantage mutuel des consommateurs et des institutions financières, mais engendre aussi pour ces dernières des risques de nature éthique, juridique et réputationnelle. Ce sont des enjeux importants sur lesquels l’Autorité des marchés financiers (l’«Autorité») estime nécessaire de se pencher. Dans ce contexte, l’Autorité a décidé d’initier une importante réflexion sur l’utilisation responsable de l’intelligence artificielle dans le secteur financier. Pour relever ce défi, l’Autorité a sollicité la contribution de Marc-Antoine Dilhac, professeur agrégé d’éthique et de philosophie politique à l’Université de Montréal, coresponsable de la fonction Délibération de l'OBVIA et contributeur central aux travaux ayant mené au lancement, en 2018, de la Déclaration de Montréal pour un développement responsable de l’intelligence artificielle. Dans le cadre de l’élaboration du rapport intitulé «L’Intelligence artificielle en finance: recommandations pour une utilisation responsable», le professeur Dilhac et son équipe de chercheurs ont considéré non seulement les conclusions de travaux d’experts du domaine, mais également les préoccupations exprimées par des consommateurs de produits et services financiers, lors d’ateliers tenus plus tôt cette année. La participation de citoyens à ce projet ajoute à la profondeur de la réflexion, et distingue clairement cette approche des autres travaux menés à ce jour sur l’utilisation responsable de l’intelligence artificielle en finance. Le rapport contient une série de 10 recommandations pour favoriser le développement et le déploiement de l’intelligence artificielle en finance de façon responsable: 3 d’entre elles sont formulées à l’attention de l’Autorité, alors que les 7 autres sont dédiées à l’industrie. Ces recommandations sont appuyées sur un recensement de cas d’utilisation et sur une discussion détaillée des risques et des défis du déploiement responsable de l’IA en finance. Les recommandations s’appuient également sur une interprétation des principes de la Déclaration de Montréal pour un développement responsable de l’IA dans le contexte propre aux activités du secteur financier. Ce rapport a été préparé à la demande et avec l’appui financier de l’Autorité des marchés financiers (AMF) par Algora Lab de l'Université de Montréal, avec l’appui de l’Observatoire international sur les impacts sociétaux de l’IA et du numérique (OBVIA) et la contribution scientifique du CIRANO et de Polytechnique Montréal. Le rapport a été rédigé sous la direction de Marc-Antoine Dilhac, professeur à l'Université de Montréal, coresponsable de la fonction Délibération de l'OBVIA, directeur d'Algora Lab et titulaire de la Chaire IA CIFAR-Canada, avec les contributions de Rhéia Khalaf, chercheuse à l'Université de Montréal, Fin-ML, Nathalie de Marcellis-Warin, professeure à la Polytechnique Montréal, coresponsable de la fonction Veille et enquêtes de l'OBVIA et directrice du CIRANO, Manuel Morales, professeur à l'Université de Montréal, directeur de Fin-ML, Robert Normand, chercheur du CIRANO et de Polytechnique Montréal et Gabrielle Veilleux-Verreault, chercheuse à l'Université de Montréal. L’Autorité des marchés financiers est l’organisme de réglementation et d’encadrement du secteur financier du Québec.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».