Déployer l'IA et le Machine Learning dans les services FinTech

Module 1 : acquérir les fondamentaux ML et comprendre le contexte Fintech

• Le panorama de l'IA dans le secteur de la fianance et l'analyse des tendances en Afrique et dans le monde.
• La cartographie des cas d'usage clés : scoring de crédit, conformité KYC et optimisation des transactions.
• L'intégration des contraintes réglementaires (RGPD, BCEAO, LCB-FT) dès la phase de conception.
• Les fondamentaux du Machine Learning (supervisé, non supervisé) et de la méthodologie CRISP-DM.
• Le prétraitement avancé des données financières : nettoyage, feature engineering et gestion du déséquilibre des classes.
• Les algorithmes de classification et de détection (régression logistique, forêts aléatoires et gradient boosting).

Travaux pratiques

• Réaliser une cartographie des cas d'usage IA pertinents pour votre entreprise.
• Explorer un dataset transactionnel avec Python, Pandas et Matplotlib.
• Effectuer le prétraitement et le nettoyage de données réelles simulées.
• Développer les premiers modèles de détection avec scikit-learn.

Module 2 : construire des modèles avancés de détection de fraude et d'anomalies

• La sélection des caractéristiques discriminantes et la gestion des données temporelles en streaming.
• L'évaluation des modèles avec des métriques adaptées à la fraude (Précision, Rappel, F1-score, AUC-ROC).
• La mise en œuvre de méthodes non supervisées (Isolation Forest, One-Class SVM) pour détecter les anomalies contextuelles.
• La création de pipelines ML reproductibles avec scikit-learn pour automatiser le traitement.
• L'analyse de l'interprétabilité des modèles (SHAP, LIME) pour justifier les décisions auprès des auditeurs.

Travaux pratiques

• Entraîner et optimiser les hyperparamètres d'un modèle de détection de fraude.
• Mettre en œuvre un modèle Isolation Forest sur un flux de données simulé.
• Construire un pipeline complet de détection (prétraitement + modèle).
• Interpréter les résultats d'un modèle de détection avec SHAP ou LIME.

Module 3 : industrialiser et maintenir les modèles en production (MLOps)

• Les bases du MLOps et l'intégration des pipelines CI/CD pour l'automatisation.
• Le déploiement technique du modèle sous forme d'API REST (FastAPI / Flask) sur serveur ou cloud.
• La gestion du "drift" (dérive de données) et la mise en place de stratégies de réentraînement automatique.
• La surveillance des performances et l'utilisation d'outils de tracking comme MLflow.

Travaux pratiques & Atelier final

• Mettre en place le suivi d'un modèle avec MLflow.
• Déployer un modèle sur un environnement cloud simulé via une API.
• Détecter un phénomène de drift dans un flux de transactions.
• Réaliser un projet complet en équipe : du dataset brut au modèle déployé.
• Transformer un dataset brut en modèle déployé et intégré (atelier final).