La réglementation de l’intelligence artificielle dans le secteur de la conformité bancaire : approche européenne et canadienne
Bibliographic record
Abstract
Ce mémoire propose une analyse comparative de l'intégration de l'intelligence artificielle (IA) dans le secteur de la conformité bancaire, en s'intéressant aux approches européennes et canadiennes. Tandis que l'Union européenne a choisi de structurer cet encadrement à travers un règlement spécifique, le Canada avance de manière plus fragmentée, particulièrement depuis l'abandon du projet de loi C-27. Au fil de l'étude, plusieurs défis communs émergent : multiplication des normes, chevauchement des obligations, et insécurité juridique, autant de facteurs qui compliquent l'adoption d'outils d'IA dans le respect des exigences de conformité. L'analyse met en lumière les conséquences concrètes de cette fragmentation, notamment la hausse des coûts de conformité et un frein à l'innovation technologique. À partir de ces constats, ce travail propose des pistes pour clarifier et mieux articuler les règles existantes, en vue de bâtir un cadre plus lisible, cohérent et propice à l'innovation. En définitive, l’objectif poursuivi est d’esquisser les contours d’une régulation de l’IA adaptée aux défis du secteur bancaire, dans un contexte technologique en perpétuelle évolution.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".