L'intelligence artificielle en finance : Recommandations pour une utilisation responsable
Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.005 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".