DIGITALISATION BANCAIRE · MACHINE LEARNING & IA DIGITAL BANKING · MACHINE LEARNING & AI
KALAIDOS · BANKING + FINANCE · 2026

L'IA est déjà dans votre banque AI is already in your bank

Ce soir, on ouvre la boîte noire. Pas de slides — vous allez construire les modèles à la main, les casser, comprendre pourquoi ils se trompent, et décider si vous leur faites confiance. Tonight, we open the black box. No slides — you'll build the models by hand, break them, understand why they fail, and decide whether you trust them.

— Le ML en banque aujourd'hui — — ML in banking today —

Ce n'est pas du futur — c'est du quotidien This isn't the future — it's everyday reality

Chaque fois qu'un crédit est accordé, qu'une transaction est vérifiée ou qu'un chatbot vous répond, un modèle de machine learning a pris une décision — ou aidé un humain à la prendre. Every time a loan is approved, a transaction is screened, or a chatbot answers you, a machine learning model made a decision — or helped a human make one.

>50%
des banques suisses utilisent l'IA of Swiss banks use AI
~200ms
pour scorer un crédit to score a credit application
95%+
des alertes fraude sont des faux positifs of fraud alerts are false positives
CHF 0
coût d'une hallucination IA — jusqu'au jour où… cost of an AI hallucination — until the day…

Source : enquête FINMA 2025 sur l'IA dans les institutions financières suisses. Source: FINMA 2025 survey on AI in Swiss financial institutions.

Testez votre intuition Test your intuition

Un modèle de crédit refuse un client. Il a raison dans 92 % des cas. Faut-il lui faire confiance ? A credit model rejects a client. It's right 92% of the time. Should you trust it?
— Programme de ce soir — — Tonight's programme —

3 h 30, deux laboratoires, un atelier 3 h 30, two labs, one workshop

0:00
Introduction — pourquoi le ML change la banque (vous êtes ici) Introduction — why ML is changing banking (you are here)
0:05
Labo 1 · La machine à prédire — construire un modèle de crédit à la main : frontière, overfitting, matrice de confusion, seuil, k-NN, arbre de décision Lab 1 · The prediction machine — build a credit model by hand: decision boundary, overfitting, confusion matrix, threshold, k-NN, decision tree
1:10
Pause Break
1:25
Labo 2 · La machine à mots — comment fonctionne un LLM : prédiction du mot suivant, température, hallucination, tokens, embeddings, RAG, prompts, biais, FINMA Lab 2 · The word machine — how an LLM works: next-word prediction, temperature, hallucination, tokens, embeddings, RAG, prompts, bias, FINMA
2:30
Atelier de groupe — red-team de l'assistant IA « ADA » : testez-le, trouvez ses failles, rendez un verdict go / no-go Group workshop — red-team the AI assistant "ADA": test it, find its flaws, deliver a go / no-go verdict
3:30
Synthèse — ce qu'on retient, ce qui vient Wrap-up — key takeaways, what's next
Commencer le premier labo → Start the first lab →
← Retour à la série de cours ← Back to course index

© 2026 Jan Erik Meidell · Digitalisation bancaire