Pour bien évaluer le risque d’une PME, un modèle de scoring a besoin d’apprendre sur beaucoup de dossiers. Or aucune institution ne souhaite, ni ne peut, confier les données de ses clients à un tiers. Le Federated Learning, ou apprentissage fédéré, résout ce dilemme pour la banque comme pour l’IMF : c’est le modèle qui se déplace, pas les données.
Le principe en une image
Imaginez un professeur qui ne voit jamais les copies des élèves. Il envoie un exercice à chaque classe, chaque classe s’entraîne de son côté, puis ne lui renvoie que ses conclusions générales. En les combinant, le professeur améliore son cours, et le renvoie à toutes les classes. Aucune copie n’a quitté sa salle.
Dans le cas de SCORE360, les classes sont les institutions financières, le cours est le modèle de scoring, et le professeur est le moteur de scoring fédéré ENGINE.
Un cycle d’apprentissage, étape par étape
- Diffusion : SCORE360 envoie la version actuelle du modèle à chaque institution participante.
- Entraînement local : chaque institution entraîne le modèle chez elle, sur ses propres dossiers de crédit.
- Partage chiffré : seuls des paramètres du modèle (des poids et des gradients, c’est-à-dire des nombres) sont chiffrés et envoyés à SCORE360. Aucun nom, aucun relevé, aucun dossier client.
- Agrégation : SCORE360 combine ces paramètres en un modèle global plus précis, puis le redistribue.
Ce que le Federated Learning change pour votre banque ou IMF
D’abord, vous gardez la pleine maîtrise de vos données : elles ne sont ni copiées, ni mutualisées, ni revendues, comme le détaille notre article sur la confidentialité des données clients. Ensuite, vous bénéficiez d’un modèle qui a appris de la diversité de tout le réseau : d’autres secteurs, d’autres profils de PME, d’autres cycles d’activité. Enfin, la décision de crédit reste la vôtre : le score est un outil d’aide à la décision, jamais un substitut à votre comité.
Pourquoi c’est décisif pour les économies africaines
En Afrique de l’Ouest, les PME font vivre l’essentiel du tissu économique, mais leur accès au crédit reste un défi majeur. Beaucoup sont viables, mais difficiles à évaluer : peu de documents financiers, peu d’historique de crédit, des données dispersées. Depuis que la BCEAO a déployé la PI-SPI, sa plateforme interopérable de paiement instantané, l’activité réelle de ces entreprises laisse une trace numérique. Le Federated Learning permet d’exploiter cette nouvelle richesse d’information sans jamais la centraliser.
Une technologie éprouvée
L’apprentissage fédéré n’est pas une idée de laboratoire. Il a été popularisé par Google à partir de 2016, notamment pour améliorer la saisie prédictive des claviers de smartphones sans collecter ce que tapent les utilisateurs. Il est aujourd’hui étudié et utilisé dans des secteurs où la confidentialité est critique, comme la santé et la finance. Pour le détail de l’architecture, voir notre technologie d’apprentissage fédéré.
En résumé
Le Federated Learning permet à des institutions qui ne partageront jamais leurs données de construire ensemble un scoring plus fiable. C’est précisément ce dont le crédit PME a besoin dans l’UEMOA : plus de connaissance du risque, sans rien céder sur la confidentialité, pour financer enfin les entreprises qui créent l’emploi et la croissance.
Questions fréquentes
Qu’est-ce que le Federated Learning en banque ?
C’est une méthode d’apprentissage automatique dans laquelle le modèle de scoring est entraîné dans chaque banque ou IMF, sur ses propres données. Seuls des paramètres chiffrés sont envoyés à un moteur central, qui les combine en un modèle global plus précis. Les données clients ne quittent jamais l’institution.
Quelle différence entre Federated Learning et partage de données ?
Avec un partage de données classique, les dossiers clients sont copiés vers une base commune. Avec le Federated Learning, c’est le modèle qui se déplace : seuls des poids et des gradients, c’est-à-dire des nombres, circulent de manière chiffrée. Aucun nom, aucun relevé et aucun dossier client n’est transmis.
Le Federated Learning est-il une technologie éprouvée ?
Oui. L’apprentissage fédéré a été popularisé par Google à partir de 2016, notamment pour améliorer la saisie prédictive des claviers de smartphones sans collecter ce que tapent les utilisateurs. Il est aujourd’hui étudié et utilisé dans des secteurs où la confidentialité est critique, comme la santé et la finance.
Le score fédéré remplace-t-il le comité de crédit ?
Non. Le score est un outil d’aide à la décision : il s’accompagne de ses principaux facteurs explicatifs, afin que vos analystes puissent justifier leur recommandation. La décision d’octroi reste toujours celle de votre institution et de son comité de crédit, après validation humaine.