Skip to content

MODEL_CARD.md

Latest commit

 

History

History
54 lines (42 loc) · 2.72 KB

MODEL_CARD.md

File metadata and controls

54 lines (42 loc) · 2.72 KB
Raw

Carte du Modèle : Risque & Fraude

Version

  • Version du Modèle : credit_risk:v1 / fraud:v1
  • Date : 2026-02
  • Statut : MVP (Scoring déterministe baseline)

Objectif

Évaluer le risque de crédit (probabilité de défaut) et le risque de fraude (détection d'anomalies) pour les transactions financières en temps réel.

Jeux de Données

  • Données d'entraînement : [Nom du Dataset Interne, ex: Historique Crédit Pseudonymisé 2023-2025] ou [Dataset de Référence Synthétique]
  • Licence : Propriétaire / Évaluation uniquement.

Variables Utilisées

  • Client : age, income_annual (revenu annuel), employment_status (statut emploi), debt_to_income (taux endettement), credit_history_length (historique crédit), num_open_accounts (comptes ouverts), late_payments_12m (retards paiement 12m)
  • Transaction : amount (montant), merchant_category (catégorie marchand), country (pays), hour (heure), is_new_device (nouvel appareil), distance_from_home_km (distance domicile)
  • Justification : Minimisation des données appliquée (pas de noms, adresses ou identifiants directs) pour respecter le RGPD.

Hypothèses

  • Les données d'entraînement sont représentatives des comportements clients 2023-2025.
  • Les labels de défaut/fraude sont considérés comme fiables.
  • Les variables utilisées sont suffisantes pour estimer le risque sans information identifiante directe.

Architecture du Modèle

  • Risque Crédit : Régression Logistique (baseline) + XGBoost (cible).
  • Détection Fraude : Isolation Forest / Détection d'Anomalies Non Supervisée (ou XGBoost si labels existants).

Métriques (Cible)

  • AUC : > 0.85
  • Recall (Défaut) : > 0.70
  • Calibration : Score de Brier surveillé.

Équité & Biais

  • Surveillance des métriques par segment d'âge.
  • Analyse comparative TPR/FPR par groupe socio-démographique (proxy).
  • Rapport d'équité généré à chaque réentraînement.

Limites

  • Biais potentiel dans les proxys socio-économiques (surveillé via rapports d'équité).
  • Performance dégradée sur les nouveaux types d'appareils (démarrage à froid).

Scénarios de Défaillance

  • Données manquantes ou corrompues.
  • Drift important sur nouvelles catégories marchandes.
  • Fraude organisée non représentée dans le dataset.

Conditions d'Utilisation

  • Système d'Aide à la Décision : destiné aux flux de travail avec "Humain dans la boucle" (Human-in-the-Loop).
  • Pas Uniquement Automatisé : Les décisions à haut risque doivent pouvoir être révisées par un opérateur humain.

Monitoring

  • Analyse mensuelle de la dérive des features (data drift).
  • Calendrier de réentraînement trimestriel.