Revue méthodologique de modèles quantitatifs (Deep learning)
Une revue argumentée, présentable à la direction des risques, à l'audit interne ou au superviseur, sans se substituer à votre fonction de validation.
En bref
- Résultat
- Une revue argumentée, présentable à la direction des risques, à l'audit interne ou au superviseur, sans se substituer à votre fonction de validation.
- Idéal pour
- Responsable des risques, responsable de la validation des modèles ou auditeur interne d'une société de gestion ou d'une banque de marché.
- Ce que vous obtenez
- Rapport de revue avec constats classés par criticité, inventaire des modèles couverts et plan de remédiation.
- Prérequis de votre côté
- Documentation des modèles, accès en lecture au code et aux jeux de données de test ou publics, disponibilité des développeurs pour des entretiens.
- Durée et charge
- 6 à 15 jours
- Format
- Forfait
Exemple construit
Revue d'un modèle de valorisation avant sa mise en service. Une équipe de pricing doit mettre en service une bibliothèque de valorisation sur le thème Deep learning. La revue relit les hypothèses, rejoue les tests sur des données publiques et note les limites d'usage. Le rapport est transmis à la fonction de validation, qui garde la décision d'approbation.
Nous relisons vos modèles sous l'angle du thème Deep learning : hypothèses et domaine de validité, qualité et traçabilité des données d'entrée, code et reproductibilité, résultats de backtesting et de calibration, gestion des changements. La revue s'appuie sur votre politique de risque de modèle et sur les attentes publiées par les superviseurs, dont le guide de la BCE (Banque centrale européenne) sur les modèles internes pour les établissements concernés.
Le rapport classe les constats par criticité, propose des actions et précise ce que nous n'avons pas pu vérifier. Il peut alimenter le travail de votre fonction de validation, de votre audit interne ou la préparation d'un échange avec le superviseur. Il ne vaut ni validation ni approbation de modèle. L'objectif d'automatiser l'analyse de données massives pour créer de la valeur ajoutée structure la restitution. Si nous avons contribué au développement d'un modèle, nous ne le revoyons pas.
Déroulé de la prestation
Cadrage
Nous fixons avec vous le périmètre, le référentiel applicable et les interlocuteurs, et nous convenons des règles de confidentialité, de déontologie et d'accès aux documents.
Lecture documentaire
Nous lisons les politiques, procédures, enregistrements et comptes rendus de comité relatifs au thème Deep learning, avant toute rencontre, pour arriver aux entretiens avec des questions précises.
Entretiens et contrôles par échantillon
Nous rencontrons les responsables et les équipes, observons les pratiques et contrôlons des échantillons sur des extraits anonymisés que vous préparez dans votre environnement, ou sur des données de test, sans aucune information privilégiée ni donnée d'ordre ou de position.
Analyse des écarts
Chaque constat est rattaché à une exigence identifiée, classé par gravité et par urgence, et associé à une action corrective, un responsable et un délai.
Restitution
Nous présentons le rapport à votre direction, répondons aux objections et, si vous le souhaitez, préparons avec vous le plan d'actions.
Livrables, format et conditions
Au terme de la prestation, vous disposez des éléments suivants, rédigés pour être présentés à votre direction, à votre audit interne ou à votre superviseur.
- Rapport de revue avec constats classés par criticité et limites de la revue
- Inventaire des modèles couverts et de leurs propriétaires
- Plan de remédiation présenté à la direction des risques et à l'audit interne
Format et charge : forfait, 6 à 15 jours. Idéal pour : responsable des risques, responsable de la validation des modèles ou auditeur interne d'une société de gestion ou d'une banque de marché. Prérequis de votre côté : documentation des modèles, accès en lecture au code et aux jeux de données de test ou publics, disponibilité des développeurs pour des entretiens.
Exemples d'usage
Deux situations d'exemple dans lesquelles cette prestation a du sens. Ce sont des exemples construits à partir de situations courantes du secteur, pas des références clients ; les chiffres sont indicatifs et dépendent du périmètre et du contexte.
Revue d'un modèle de valorisation avant sa mise en service
Une équipe de pricing doit mettre en service une bibliothèque de valorisation sur le thème Deep learning. La revue relit les hypothèses, rejoue les tests sur des données publiques et note les limites d'usage. Le rapport est transmis à la fonction de validation, qui garde la décision d'approbation.
Inventaire des modèles d'une société de gestion
Une société de gestion constate que plusieurs fichiers de calcul liés au thème Deep learning alimentent des décisions sans propriétaire désigné. L'audit dresse l'inventaire, classe les modèles par criticité et propose un circuit de validation proportionné à leur importance.
Questions fréquentes sur cette prestation
Combien de temps dure l'audit et qui le réalise ?
La charge indicative est de 6 à 15 jours, format forfait, répartie entre la lecture documentaire, les entretiens, les contrôles par échantillon et la rédaction. L'auditeur est un praticien du thème Deep learning, indépendant de vos équipes, qui signe les engagements de confidentialité et de déontologie demandés. Nous fixons le calendrier avec vous pour que la restitution précède votre échéance, revue interne, mission d'audit ou contrôle du superviseur, d'au moins quelques semaines, afin de laisser le temps de traiter les écarts les plus importants.
Quelle différence avec une formation sur ce thème ?
La formation transmet des compétences ; l'audit vous dit où vous en êtes. Sur le thème Deep learning, l'audit produit un rapport étayé, avec des constats rattachés à des exigences identifiées et un plan d'actions chiffré, présentable à votre direction, à votre audit interne ou au superviseur. Il met souvent en évidence des besoins de formation, que nous pouvons ensuite couvrir, mais il ne remplace pas la formation, et inversement. Il ne remplace pas non plus une mission que la loi confie à une personne désignée, ni le contrôle d'une autorité, que nous ne réalisons pas. Les deux prestations se combinent dans un même plan lorsque l'échéance le justifie.
Réalisez-vous la validation indépendante de nos modèles ?
Nous réalisons des revues méthodologiques, mais nous ne remplaçons pas la fonction de validation de votre établissement. Lorsque la réglementation ou votre politique interne exige une validation par une fonction distincte du développement, la décision d'approbation reste la vôtre. Sur le thème Deep learning, nous relisons la documentation, le code, les jeux de test et les résultats de backtesting, puis nous remettons un rapport de constats que votre validation, votre audit interne ou votre direction des risques peut exploiter. Nous ne revoyons jamais un modèle que nous avons contribué à développer, afin de préserver l'indépendance de l'analyse.
Demander un devis
Indiquez le périmètre, les équipes concernées et l'échéance : première réponse sous 48 h ouvrées, devis ferme après l'échange de cadrage.
Les autres types de prestation sur le thème Deep learning
- Conseil en méthodologie et en gouvernance des modèles (Deep learning)
- Développement de modèles et de bibliothèques de calcul (Deep learning)
- Industrialisation et mise en production de modèles et de pipelines MLOps (Deep learning)
- Assistance technique au forfait pour des travaux de modélisation et de développement (Deep learning)
- S'initier à l'analyse de données avec le deep learning
