SHAP et LIME ne sont pas de l'interprétabilité. Ce sont des outils qui produisent des nombres que les régulateurs et les valideurs trouvent utiles. Les traiter pour davantage est l'une des erreurs les plus fréquentes en ML régulé. Cette formation est l'antidote : nous couvrons d'abord les méthodes interprétables par conception, puis les outils post-hoc avec une honnêteté explicite sur ce qu'ils vous disent ou ne vous disent pas, et terminons par un audit d'équité qui va au-delà du seul chiffre d'impact disparate.
La formation est construite pour les analystes et les valideurs de banques, IMF et assureurs opérant sur les marchés africains et africains exposés à l'Europe. Nous utilisons des données réelles de crédit et de mobile money africaines, avec leur rareté, leurs schémas de revenu semi-formel, et les contraintes réglementaires (BCEAO, BCBS, EU AI Act pour les institutions exposées à l'Europe) qui éliminent certaines astuces standard.
Aperçu du programme
Trois jours consécutifs, six demi-journées, pour les équipes risque et analytique qui doivent répondre à la question que les régulateurs posent vraiment : pourquoi cette décision, pour cette personne. La formation se tient en présentiel à AIRINA Labs, Cotonou (ou sur site client pour les cohortes de 8+ personnes d'une même institution). Cohorte de 12 participants (minimum 8). Horaires : 9h–17h heure locale.
Intervenants : chercheurs d'AIRINA en ML appliqué et modélisation des systèmes financiers. Intervention d'un praticien senior en validation de modèles d'une banque partenaire ou d'une autorité de supervision, nommé deux semaines avant chaque cohorte.
Structure du programme
- Jour 1 — Cadre réglementaire et modèles interprétables par conception. Ce que les régulateurs demandent vraiment (BCEAO, BCBS, EU AI Act) le matin ; GAMs, gradient boosting monotone, listes de décision sur jeu de données de défaut de crédit l'après-midi.
- Jour 2 — Explications post-hoc et leurs modes d'échec. SHAP, LIME, contrefactuels proprement le matin ; trois modes d'échec documentés et exercices correctifs l'après-midi.
- Jour 3 — Audits d'équité, projet final. Audits d'équité sur données de crédit africaines et brève introduction aux méthodes neuro-symboliques le matin ; projet final (modèle + fiche-modèle + audit) et soutenance de 30 minutes l'après-midi.
- Supports. Dépôt, slides, feuilles d'exercices, liste de lectures réglementaires partagés 2 semaines avant. Sessions orales en FR ou EN selon la cohorte.
Certificat
Sous réserve de la validation du projet final et de la soutenance, les participants reçoivent le certificat AIRINA IA interprétable pour la finance. La note dépend du fait que votre livrable survivrait à une vraie soumission de modèle.
Acquis pédagogiques
À l'issue du programme, les participants sauront :
- Articuler la différence entre interprétabilité et explicabilité, et utiliser le bon mot dans les conversations réglementaires.
- Construire un modèle interprétable par conception — un GAM, un gradient boosting monotone, une liste de décision — qui atteint un vrai seuil de performance.
- Appliquer SHAP et LIME correctement, et reconnaître trois modes d'échec courants qui produisent des explications confiantes mais fausses.
- Faire tourner un audit d'équité sur un modèle de scoring crédit sous plusieurs définitions d'équité, et expliquer à une partie prenante non technique pourquoi les définitions divergent.
- Lire un texte réglementaire (circulaire BCEAO, principe BCBS, article de l'EU AI Act) et traduire ses exigences en tâches de validation de modèles.
- Rédiger une fiche-modèle et un rapport de validation qu'un vrai valideur accepterait.
Programme détaillé
Circulaires BCEAO sur le risque modèle ; principes BCBS de gestion du risque modèle ; dispositions IA à haut risque de l'EU AI Act pour les institutions exposées à l'Europe. La différence entre interprétabilité et explicabilité, et pourquoi elle compte quand le valideur insiste. Lecture commune d'un texte réglementaire réel, identification des exigences opérationnelles.
Modèles additifs généralisés (GAMs), gradient boosting monotone, listes de décision, modèles linéaires creux avec ingénierie de variables. Pratique : entraîner chacun sur un jeu de données de défaut de crédit, comparer la performance à un XGBoost non contraint. Les cas où le modèle interprétable gagne, et les cas où il perd suffisamment pour que ça compte.
TreeSHAP, KernelSHAP, partition explainers — ce qu'ils calculent vraiment et leurs hypothèses. LIME et son problème d'instabilité. Explications contrefactuelles et le coût de leur construction. Codage en direct de chaque outil sur les modèles du Jour 1 ; lecture critique des sorties.
Trois modes d'échec documentés : corrélation entre variables qui casse l'histoire de contribution marginale de SHAP ; sensibilité d'échantillonnage de LIME produisant des explications différentes à chaque exécution ; explications contrefactuelles mathématiquement valides mais pratiquement impossibles. Exercices : produire une explication confiante mais fausse, puis la corriger.
Définitions de l'équité de groupe (parité démographique, equalized odds, predictive parity) et pourquoi elles ne peuvent toutes tenir simultanément. Analyse d'impact disparate sous des données de revenu semi-formel, des champs d'attributs protégés manquants, et de petits sous-groupes minoritaires. Brève introduction aux méthodes neuro-symboliques pour la décision quand le ML pur n'atteint pas le niveau d'explicabilité requis.
Les participants construisent un modèle de scoring crédit ou de détection de fraude sur un jeu de données fourni, produisent une fiche-modèle, un rapport de validation et un audit d'équité (sous au moins deux définitions différentes). Soutenance de 30 minutes devant les formateurs. Critiques constructives sur la signature potentielle d'un vrai valideur, et sur ce qu'il manque encore.
À qui s'adresse cette formation
Cette formation s'adresse aux équipes qui doivent défendre des modèles devant un valideur ou un régulateur, et qui veulent un cadre opérationnel plutôt que des bonnes intentions.
- Modélisateurs risque, analystes crédit, analystes fraude des banques, IMF, opérateurs mobile money, assureurs.
- Équipes de validation de modèles responsables de la signature sous contraintes BCEAO, BCBS ou EU AI Act.
- Responsables analytics dans les fintechs qui construisent des produits de prêt ou de scoring.
- Régulateurs et superviseurs qui doivent poser les bonnes questions sur les modèles soumis.
Prérequis
- Python pratique. NumPy, pandas, scikit-learn. La formation est pratique — vous coderez à chaque session.
- Modèles de classification. Familiarité avec au moins un modèle de classification : régression logistique, forêts aléatoires, gradient boosting. Nous n'enseignons pas les bases.
- Contexte métier. Une exposition aux workflows de risque crédit ou de détection de fraude est utile mais pas requise.
- Matériel. Ordinateur portable avec environnement Python fonctionnel. Instructions envoyées 2 semaines avant.
Sélection
Priorité aux candidats des institutions de la zone BCEAO et aux équipes en cours de cycle de validation modèle. Pour les inscriptions institutionnelles (cohortes de 8+ d'une même organisation), livraison possible sur site client.
Brochure
La brochure détaillée de la formation (PDF, FR/EN) est envoyée sur demande — elle contient le programme jour par jour, les profils des intervenants, des exemples de projets finaux, et le calendrier des cohortes.
Pour recevoir la brochure actuelle, écrivez à contact@airina.africa avec « IA interprétable — demande de brochure » en objet. La brochure est mise à jour à chaque cohorte ; nous envoyons la version en cours au moment de votre demande.