MyLab 1 | Comprendre l’IA et le cadre réglementaire de la LCB-FT dans la distribution d’assurance
Objectif : Comprendre les principes fondamentaux de l’intelligence artificielle et l’environnement réglementaire encadrant son utilisation dans les dispositifs de lutte contre le blanchiment et le financement du terrorisme.
Comprendre les principes fondamentaux de l’intelligence artificielle
- Présentation des principaux modèles d’intelligence
artificielle - Machine learning et deep learning
- Apprentissage supervisé et non supervisé
- Les modèles de langage (LLM)
Comprendre le fonctionnement d’un modèle
- Le principe d’entraînement algorithmique
- Le rôle des données dans l’apprentissage
- Importance de la qualité des données
Identifier les limites et les risques des modèles d’IA
- Les biais liés aux données
- Les biais algorithmiques
- Risques d’interprétation des résultats
Apports de l’IA pour l’analyse des risques
- Analyse de volumes importants de données
- Détection de signaux faibles
- Identification de comportements atypiques
Comprendre le cadre réglementaire applicable
Les principes de la distribution d’assurance
- Rappel des principes essentiels de la DDA
- Le rôle du distributeur dans la prévention des risques
Les obligations liées à la LCB-FT
- Le principe de vigilance à l’égard de la clientèle
- L’identification et la connaissance du client (KYC)
- La détection d’opérations atypiques
- La remontée d’alertes
Comprendre le cadre juridique de l’IA
- Présentation du règlement européen sur l’intelligence artificielle (AI Act)
- Articulation entre IA Act et RGPD
- Responsabilité humaine dans les décisions assistées par IA
Corrélation et causalité dans l’analyse algorithmique
- Comprendre les limites d’une analyse automatisée
- Interpréter correctement les résultats produits par un algorithme
Training : Étude de cas (Analyse d’une situation de vigilance client – Les obligations du distributeur )
Outils-clés : Cadre réglementaire et outils d’analyse IA
MyLab 2 | Utiliser l’IA pour détecter et analyser les risques de blanchiment dans l’assurance
Objectif : Comprendre comment les outils d’IA peuvent être utilisés pour détecter les risques de blanchiment et renforcer les dispositifs de conformité dans la distribution d’assurance.
Comprendre les biais algorithmiques et leurs impacts
- biais liés aux données
- biais liés aux modèles
- risques d’interprétation des résultats
Identifier les usages de l’IA dans les dispositifs de conformité
Cas d’usage — Exemple d’utilisation à risque
Automatisation excessive des décisions, absence de supervision humaine et risques réglementaires
Cas d’usage — IA au service de la conformité
Analyse automatisée de documents clients et détection d’incohérences dans les dossiers
Utiliser l’IA pour détecter les risques de blanchiment
Cas d’usage IA et LCB-FT
- Identification de comportements atypiques
- Analyse de flux financiers
- Identification de comportements atypiques
Typologies de blanchiment en assurance
- blanchiment via produits d’épargne
- rachats précoces suspects
- structuration des versements
Utiliser les outils d’IA de manière sécurisée
- Le rôle du professionnel : Supervision humaine, analyse critique des résultats, responsabilité dans la prise de décision.
- Traçabilité et conformité : Documenter les analyses réalisées, conserver les preuves des contrôles, garantir la traçabilité des décisions.
- Préparation aux contrôles : Comprendre les attentes des autorités de contrôle, identifier les éléments à documenter.
Training : Mise en situation / Étude de scénarios (ex : analyse d’alertes générées par un outil IA, identification d’un risque de blanchiment, décision à prendre par le professionnel)
Outils-clés : Cas d’usage IA et conformité
Création & suivi de son plan d’action