Données financières synthétiques
Les données financières synthétiques sont des enregistrements générés représentant certaines caractéristiques des activités financières. Les banques peuvent les utiliser pour tester des applications, développer des modèles analytiques et explorer des scénarios de transactions inhabituels. Les jeux utiles préservent les relations nécessaires à une tâche précise sans supposer que chaque enregistrement généré soit anonyme.
Un jeu de test peut représenter des comptes, des clients, des paiements et leurs relations temporelles. La valeur des données financières synthétiques dépend de l'expérience prévue, des contrôles qualité et des protections entourant leur création. Les établissements financiers devraient définir ces exigences avant de choisir une méthode de génération ou d'échanger des enregistrements avec un prestataire technologique.
Générer des transactions utiles
Les données financières synthétiques peuvent être générées à partir des relations statistiques des enregistrements existants ou de simulations explicitement conçues. Les références de comptes, montants et horodatages nécessitent des relations cohérentes lorsqu'une application dépend de ces liens. Un jeu ressemblant à des paiements individuels peut néanmoins déformer la succession des activités d'un compte.
Le groupe d'experts de la FCA a étudié des applications financières, notamment l'enrichissement des données, les tests de systèmes et la validation de modèles. Pour une migration de paiements, les équipes pourraient définir les soldes attendus, virements rejetés et demandes en double avant la génération. Ces critères permettent d'évaluer les enregistrements obtenus par rapport au processus bancaire testé.
Tester la détection de fraude et de blanchiment
En avril 2026, la FCA a publié un projet de données synthétiques contre le blanchiment, développé avec des partenaires scientifiques et sectoriels. Le projet a modélisé les activités bancaires de détail britanniques et ajouté des scénarios de blanchiment réalistes. Il crée un cadre de recherche pour évaluer les approches de détection, sans établir leur efficacité dans chaque environnement de production.
Pour la détection de fraude par IA, des scénarios synthétiques utiles peuvent relier plusieurs comptes, séquences de transactions et évolutions d'activité. Les équipes devraient préciser les comportements que le détecteur doit reconnaître et les activités légitimes qu'il doit accepter. Une bibliothèque de scénarios artificiels permet des comparaisons contrôlées, tandis que les résultats observés en production restent nécessaires pour évaluer les performances réelles.
Vérifier la fidélité statistique et le bénéfice pratique
Des montants moyens identiques ne prouvent pas qu'un jeu de données remplit sa fonction prévue. Un modèle peut dépendre de tendances saisonnières, de relations entre contreparties ou de combinaisons rares d'attributs. Les contrôles pertinents doivent donc suivre le processus financier et les décisions évaluées.
La recherche de la FCA distingue confidentialité, utilité et fidélité pour évaluer les données synthétiques. La fidélité concerne la ressemblance avec les caractéristiques sources pertinentes, tandis que l'utilité concerne l'intérêt pour une application précise. Les équipes devraient convenir des critères d'acceptation avant la génération et comparer les résultats à un jeu de référence correctement protégé.
Évaluer la confidentialité avant le partage
Les enregistrements générés peuvent conserver des informations sur les personnes représentées dans leurs données sources. Des combinaisons rares d'attributs et des exemples mémorisés peuvent créer des risques de divulgation même après la disparition des identifiants directs. Une évaluation de confidentialité devrait examiner la méthode de génération, la population source et les informations accessibles aux destinataires potentiels.
La CNIL identifie des risques de mémorisation et d'inférence lors du développement de l'IA, ainsi que des mesures de sécurisation des données de développement. Synthétique ne signifie donc pas automatiquement anonyme ou exempt des exigences de protection des données. Les établissements ont besoin d'une évaluation adaptée à leurs enregistrements, destinataires et modalités de partage envisagées.
Préserver une évaluation indépendante des modèles
Un générateur et un modèle prédictif peuvent hériter des mêmes faiblesses lorsqu'ils apprennent à partir d'enregistrements étroitement liés. Évaluer le modèle uniquement sur des exemples générés peut alors masquer des défaillances affectant de vrais clients. Les équipes devraient préserver une stratégie d'évaluation indépendante et expliquer les questions auxquelles le jeu synthétique peut répondre.
La validation des modèles bancaires devrait examiner si les performances persistent face aux évolutions pertinentes des activités financières. Les scénarios rares permettent de contester des hypothèses, mais leur fréquence artificielle ne peut établir leur prévalence réelle. Les comparaisons devraient aussi examiner les erreurs affectant différents groupes de clients lorsque ces différences comptent pour la décision prévue.
Partager des données entre acteurs financiers
Le Data Hub de la Commission européenne soutient l'innovation financière avec des jeux synthétiques via la plateforme européenne de finance numérique. Ces environnements peuvent donner aux équipes participantes un point de départ commun pour leurs expériences. Leur utilité dépend néanmoins de l'adéquation des attributs et relations disponibles à l'application financière envisagée.
L'Université de Saint-Gall a étudié un écosystème de données synthétiques avec deux banques dans le projet SynDEc. Pour une coopération comparable, les participants devraient identifier les motifs requis, les validateurs responsables et les destinataires autorisés. La participation à une recherche ne prouve pas qu'un jeu convient à une distribution commerciale sans restriction.
Choisir un jeu et un partenaire de mise en œuvre
Un cahier des charges devrait identifier le processus bancaire, les décisions de test attendues et les relations à préserver dans les enregistrements générés. Les prestataires devraient expliquer leur traitement des séquences temporelles, événements rares, reproductibilité et changements entre versions. Les acheteurs devraient demander des preuves distinctes pour la confidentialité et les performances pratiques, car une note globale peut masquer des différences importantes.
La gouvernance de l'IA bancaire relie ces décisions à des responsabilités claires et à des approbations documentées. Un établissement devrait définir qui peut accéder aux sources, approuver les jeux générés et retirer une version après un problème. Une première expérience devrait aboutir à une décision d'acceptation claire avant de transmettre le jeu à d'autres équipes ou partenaires.
Les données générées remplacent-elles les observations financières réelles?
La réponse dépend de la question et des preuves nécessaires pour la résoudre. Les enregistrements synthétiques peuvent faciliter des tests reproductibles, des scénarios d'échec contrôlés et le développement lorsque l'accès direct aux données clients est restreint. Ils ne prouvent pas la fréquence d'un scénario inventé dans une population réelle de clients.
Une décision de production nécessite donc des preuves couvrant les conditions réelles de fonctionnement pertinentes. Les établissements financiers devraient documenter où les enregistrements générés fournissent des preuves utiles et où des observations supplémentaires restent nécessaires. Cette limite fait des données synthétiques un instrument de test défini dans un processus d'évaluation plus large.
Données financières synthétiques et Finance Loop
Finance Loop relie établissements financiers, entreprises technologiques et chercheurs travaillant sur les technologies financières émergentes en Europe. Les entreprises peuvent discuter de mises en relation avec des spécialistes des données bancaires, des tests de modèles et de la confidentialité. La priorité régionale actuelle est l'Europe centrale, avec des relations professionnelles dépassant les frontières.
Finance Loop est un réseau professionnel soutenant l'utilisation institutionnelle des technologies émergentes dans la finance. Les entreprises peuvent discuter de leurs besoins et des contacts spécialisés pertinents pour une initiative définie de données financières synthétiques.