La machine à prédire

Chaque colonne devient une dimension (un axe), chaque ligne devient un point. Deux colonnes → un plan en 2D, comme ici. Trois colonnes → un espace en 3D. Et au-delà ? La machine continue dans des dizaines de dimensions qu'on ne peut plus dessiner, mais où les calculs restent les mêmes.

• Une fois les clients devenus des points, « apprendre » consiste à trouver des régions dans cet espace : ici, en bas à droite (gros salaire, petit prêt) on rembourse ; en haut à gauche on fait défaut.
• C'est tout l'enjeu des labos suivants : tracer la frontière entre les régions (labo 2), puis décider de quel côté tombe un nouveau client.
• On parle de variables (ou features) pour les colonnes, et d'observations pour les lignes — le vocabulaire de tout projet data en banque.

Retenez l'image : un modèle ne lit pas un fichier Excel, il navigue dans un nuage de points. Tout le reste en découle.

Un classifieur ne dit jamais « oui / non » d'un coup. Il filtre la population par questions successives, puis calcule une probabilité sur le groupe qui reste.

• Chaque question = une coupe dans le tableau. « Salaire > 50k ? » envoie les clients à gauche ou à droite. Ceux qui ne suivent pas le chemin du nouveau client sortent du calcul.
• La probabilité vient des lignes restantes : s'il reste 4 clients ressemblants dont 3 ont remboursé, le modèle estime 75 % de chances de remboursement. Pas de magie — juste un comptage.
• Cette probabilité, c'est vous (la banque) qui la transformez en décision avec un seuil. Le seuil est un choix business : prudent (couper bas) ou agressif (couper haut).
• Le modèle est le même — seul le curseur bouge. Retenez ça : on ne juge jamais un modèle sur un seul chiffre.

Les labos suivants décortiquent chaque pièce : la frontière (labo 2), le sur-apprentissage (labo 3), le test honnête (labo 3+) et le vrai coût des erreurs en francs (labo 5).

Vous venez de faire, à la main, ce qu'une régression logistique fait automatiquement : chercher la frontière qui minimise les erreurs.

• « Entraîner un modèle » = laisser l'ordinateur essayer des milliers de droites et garder la meilleure.
• Il ne « comprend » rien au crédit. Il optimise un nombre : le total d'erreurs.
• Aucune droite ne sépare parfaitement les vrais clients — il y a toujours du chevauchement. Un revenu élevé ET très endetté reste ambigu.

Et si on autorisait des frontières tordues, pas juste des droites ? On classerait mieux le passé… mais attention au labo suivant.

Plus le modèle est complexe, mieux il « colle » au passé — jusqu'à apprendre par cœur chaque client, bruit compris. Sur les anciens dossiers : 100 %. Sur les nouveaux : il s'effondre.

• L'étudiant qui récite l'examen de l'an dernier a 20/20… sur cet examen précis. Donnez-lui de nouvelles questions et il coule. Voilà l'overfitting.
• C'est la raison pour laquelle on sépare toujours données d'entraînement et données de test. Un modèle qui n'a pas été testé sur du neuf ne vaut rien.

Le bon modèle n'est pas le plus précis sur le passé. C'est celui qui généralise au futur.

Si on évalue un modèle sur les mêmes données qui ont servi à l'entraîner, on mesure sa mémoire, pas son intelligence. Il peut tout connaître par cœur et sembler parfait — jusqu'au premier vrai client.

• L'analogie de l'étudiant : réviser sur les annales (entraînement), c'est utile. Mais on le note sur un nouvel examen (test). Sinon, réciter les annales donnerait 20/20 sans rien comprendre — exactement le sur-apprentissage du labo précédent.
• Trop peu de test (coupe à 0–5 %) : la note n'est pas fiable, calculée sur une poignée de clients. Le chiffre danse au hasard.
• Trop de test (coupe à 50 %) : il reste peu de données pour apprendre, le modèle est moins bon. Le compromis habituel est 70–80 % entraînement / 20–30 % test.
• En pratique on va plus loin (validation croisée : on tourne plusieurs découpes), mais l'idée reste la même : ne jamais se noter sur ce qu'on a déjà vu.

Déduction bancaire : un modèle de crédit présenté avec une seule précision « sur ses propres données » doit vous alerter. La bonne question à poser au data scientist : « sur quelles données jamais vues l'as-tu testé ? » C'est aussi ce qu'exigent les validateurs de modèles et le régulateur.

Les deux erreurs n'ont pas le même prix dans une banque :

• Faux positif : vous bloquez la carte d'un client honnête en vacances. Il appelle, il râle, il part chez Neon. Coûteux, mais réparable.
• Faux négatif : vous laissez passer un vrai blanchiment. FINMA, amende, presse, réputation. Bien plus grave.

En anti-blanchiment, on accepte beaucoup de faux positifs pour rater le moins de cas possible : on privilégie le rappel. Un analyste humain trie ensuite. C'est exactement ce que fait le système de transaction monitoring à côté duquel vous travaillez.

Le modèle sort des probabilités identiques pour tout le monde. Mais le seuil optimal change selon les enjeux financiers :

• Si rater un défaut coûte très cher (gros crédit hypothécaire), on coupe bas : on refuse au moindre doute.
• Si refuser un bon client coûte cher (marché concurrentiel, marge sur les jeunes clients), on coupe haut.

Voilà pourquoi UBS et Raiffeisen, avec le même type de modèle, n'accordent pas les crédits de la même façon : leurs coûts ne sont pas les mêmes. La data science propose, le métier dispose.

Le k-NN ne calcule aucune équation à l'avance. Il garde tous les exemples passés et, à chaque nouvelle demande, cherche les plus ressemblants.

• k = 1 : on copie le voisin le plus proche. Très sensible au bruit — un seul client atypique fausse tout.
• k grand : on moyenne sur beaucoup de voisins. Plus stable, mais on lisse les cas particuliers.
• Choisir k, c'est le même dilemme qu'au labo 3 : trop petit = sur-apprentissage, trop grand = sous-apprentissage.

Simple, transparent, explicable — un atout en banque où il faut justifier un refus. Mais lent et gourmand quand les données explosent.

Chaque question coupe la population en deux et rend chaque groupe plus « pur » (que des bons, ou que des mauvais). L'arbre cherche, à chaque étape, la question la plus discriminante.

• Lisible : « Refusé car revenu < 60k ET endettement > 35 % ». Un client, un juge, FINMA — tout le monde comprend.
• Empilez trop de questions → l'arbre mémorise chaque client (sur-apprentissage, encore). On le « taille » (pruning).
• Des centaines d'arbres votant ensemble = forêt aléatoire, l'un des modèles les plus utilisés en scoring.

Le grand arbitrage du ML en banque : un réseau de neurones est plus précis, mais vous ne pouvez pas expliquer son refus. L'arbre, si. Souvent, le métier choisit l'explicable.

La qualité du modèle dépend d'abord des variables, pas de l'algorithme :

• Variables utiles (revenu, endettement, historique) : elles portent vraiment l'information de risque.
• Variables inutiles (pointure) : elles n'ajoutent que du bruit et peuvent dégrader le modèle.
• Variable interdite (nationalité, sexe, religion) : même si elle « améliore » le chiffre, elle est illégale et discriminatoire. La loi suisse et FINMA l'interdisent.

C'est le piège n°1 de l'IA bancaire : un modèle apprend les biais présents dans les données passées. Si la banque a historiquement moins prêté à un groupe, le modèle reproduit — et amplifie — cette injustice. On reverra ça en séance 2.

Le robo-advisor applique une règle apprise : plus de tolérance au risque + horizon long → plus d'actions. Plus de prudence ou horizon court → plus de liquidités et d'obligations.

• Avantages : pas cher, disponible 24/7, discipline (rééquilibrage auto), accessible dès quelques centaines de francs.
• Limites : il ne connaît pas votre divorce, votre achat immobilier imminent, votre angoisse réelle en cas de krach.
• FINMA encadre le conseil automatisé : l'adéquation (suitability) du conseil reste une obligation, robot ou pas.

C'est de l'IA « simple » mais à fort impact : elle démocratise la gestion de fortune qui était réservée aux clients aisés. Votre banque y réfléchit déjà — ou le propose déjà.

Chaque demande, vous avez combiné plusieurs variables (salaire, prêt, dette, historique) en une décision binaire — exactement ce que fait un modèle de scoring, mais à la vitesse de milliers par seconde.

• Vous avez ressenti le vrai arbitrage : refuser par prudence fait aussi perdre de l'argent (bons clients partis à la concurrence).
• Vos erreurs ne se valent pas : un défaut accordé coûte bien plus qu'un bon client perdu. C'est pourquoi une banque règle son seuil côté prudent (revoir labo 5).
• Un modèle ne se « fatigue » pas et applique exactement la même règle à la 10ᵉ comme à la 10 000ᵉ demande — votre avantage à vous, c'est le jugement sur les cas limites.

Le seuil optimal dépend du rapport des coûts, pas du modèle. Ici un défaut coûte ~6× un bon client perdu, donc il faut couper plutôt bas : mieux vaut refuser quelques bons clients que laisser passer un défaut.

• Vous avez résolu le même problème que le labo 5, mais en mode défi : trouver le minimum d'une courbe de coût.
• Dans une vraie banque, ce rapport de coûts est une décision de direction — et il change selon le produit (petit crédit conso vs hypothèque).
• Aucun modèle ne fixe ce seuil pour vous : la data science calcule la probabilité, le métier choisit où couper.

Ces cas n'ont pas de bouton « bonne réponse » dans un manuel. Ils demandent d'arbitrer entre performance, explicabilité, coût et équité — ce que ni le modèle ni ChatGPT ne tranchent à votre place.

• Cas A : performance vs explicabilité. En crédit aux particuliers, l'explicabilité l'emporte souvent — on doit pouvoir motiver un refus.
• Cas B : optimiser le mauvais indicateur (volume) au lieu du bon (profit net du risque). Classique et dangereux.
• Cas C : différence entre discrimination (illégale, sur critère interdit) et impact différencié (légal mais à surveiller). Nuance essentielle que les régulateurs scrutent.

C'est exactement ce type de jugement qui résiste à l'examen open-book : aucune IA ne vous donnera la « bonne » réponse, parce qu'elle dépend du contexte, du risque et de la réglementation.