Cette fois nous voici dans le cœur de métier du cabinet Xénium Partners : le conseil en banque, finance et assurance.
MENU :
Priorité à l’Intelligence Artificielle dans la finance, l’exemple JPMorgan
L’intelligence artificielle va bouleverser les métiers de la banque
Pourquoi les directeurs financiers misent désormais sur l’IA
Comment créer un POC ?
L’IA au service de la conformité
Quelques exemples sur l’IA et son utilisation
Lire le Chapitre suivant…
Priorité à l’Intelligence Artificielle dans la finance, l’exemple JPMorgan
Les robots conseillers des banques d’investissements, qui bénéficieront de l’Intelligence Artificielle appliquée à l’automatisation des transactions, gèreront 1 trillion de dollars (1.000 milliards) dès 2020, et environ 4,6 trillions de dollars en 2022.
Quelles sont les priorités d’investissements des services financiers dans les technologies émergentes ? Si l’on se réfère à la médiatisation de ces technologies, c’est la blockchain qui l’emporte. Mais la réalité est autre, certes la blockchain est en bonne place, mais selon PwC c’est l’Intelligence Artificielle (IA) qui tient la corde.
Tiercé gagnant des priorités d’investissements des services financiers dans les technologies émergentes dans les 12 prochains mois :
1. 30% – Intelligence Artificielle
2. 20% – Gestion des identités et biométrie
3. 19% – Blockchain
Réduire les coûts d’exploitation avec l’IA
En soit, l’intérêt des acteurs de la finance pour l’IA n’a rien de nouveau, voilà bien longtemps qu’ils exploitent des algorithmes pour évaluer les projets et accompagner la prise de décision lors des négociations. Cependant, l’objectif aujourd’hui est d’élever cette automatisation vers de nouveaux sommets.
Les institutions financières cherchent à déployer l’IA pour réduire leurs coûts d’exploitation. La technologie doit les rendre plus aptes à traiter de vastes quantités de données et à apprendre de leurs expériences. Et c’est un mouvement sans fin, car si un acteur réussit à réduire ses dépenses, la pression redouble automatiquement sur ses pairs !
L’exemple de l’IA de JPMorgan
JPMorgan, une des plus grandes banques d’investissement au monde, teste depuis le début de l’année en Europe – avant de l’étendre aux Etats-Unis et en Asie à la fin de l’année – un programme IA nommé LOXM. Reposant sur l’historique de milliards de transactions, le programme vise à décharger les grands portefeuilles boursiers en accélérant au maximum la vitesse les transactions sur les actions tout en optimisant le prix de ces mêmes transactions, sans causer de fluctuation sur le marché.
Pour résumer, JPMorgan veut aller plus loin que les méthodes de trading manuelles et automatisées existantes, afin de réaliser d’importantes économies via l’automatisation par l’IA. Et éventuellement en profiter pour élever les normes du secteur. La réussite du programme LOXM pourrait ainsi mettre la pression sur les concurrents de la banque d’investissement, et placer certains de ses rivaux dans une situation critique.
Surpasser les méthodes actuelles de trading algorithmique
Les banques d’affaires appliquent sur leurs clients des allocations post-commerciales. Le programme LOXM de JPMorgan vise à appliquer la technologie IA en temps réel aux métiers, donc directement à l’exécution des opérations.
Le projet pourrait aller plus loin et être appliqué à la gestion des clients. L’idée ici est d’analyser le comportement et les réactions des clients finaux lors de l’exécutions d’actions, pour une personnalisation plus efficace et à plus grande échelle. Cette démarche d’automatisation sera cependant plus difficile à faire accepter, encore peu de clients dans la finance sont prêts aujourd’hui à accorder leur confiance à la technologie pour des décisions financières importantes…
Publié sur IT Social
Par Yves Grandmontagne
L’intelligence artificielle va bouleverser les métiers de la banque
Conseillers assistés de robots, DRH améliorées grâce aux logiciels… une étude liste les mutations en cours dans le secteur bancaire.
Les DRH des banques vont-elles bientôt devenir des « DRHM », des « directions de ressources humaines et machines » ? L’idée, un brin effrayante, figure parmi les préconisations d’un rapport du cabinet Athling, « L’intelligence artificielle dans la banque : emploi et compétences », qui sera rendu public le 7 décembre prochain. Cette étude, commandée et pilotée par l’Observatoire des métiers de la banque, l’organisme de collecte statistique et de prospective de la branche bancaire, a cherché à évaluer les conséquences que l’intelligence artificielle (IA) pourrait avoir sur le secteur.
Alors que les organisations syndicales alertent sur l’inquiétude croissante des salariés face à l’irruption de ces technologies cognitives, les auteurs de l’étude « conscients des tensions », ont délibérément choisi de ne pas chiffrer le volume d’emplois qui pourraient être supprimés. Cette évaluation est considérée comme « trop dépendante des stratégies des établissements et de facteurs exogènes (réglementation, activité économique…) », prévient le rapport, dont Le Monde a obtenu copie.
Mais, une fois ces précautions prises, le document ne cache pas le bouleversement à venir pour le secteur. En premier lieu, parce que les banques font partie des premières entreprises à avoir informatisé leurs opérations et disposent donc des données de millions de clients « avec des profondeurs d’historique considérables », un matériau indispensable pour l’intelligence artificielle.
L’IA va bouleverser les métiers de la banque
Publié sur Le Monde par Véronique Chocron
Pourquoi les directeurs financiers misent désormais sur l’IA, le machine learning et le RPA
Un sondage mené par Grant Thornton auprès de directeurs financiers révèle que les DAF investissent dans ces technologies émergentes avec un réel retour sur investissement.
Les directeurs financiers misent de plus en plus sur l’intelligence artificielle, l’apprentissage machine, l’automatisation des processus robotiques (RPA), l’analyse de données et la blockchain. Pourquoi ? Pour automatiser et optimiser les coûts selon un sondage Grant Thornton.
Grant Thornton et CFO Research ont mené un sondage aux États-Unis auprès de 378 cadres supérieurs du secteur des finances de sociétés dont le chiffre d’affaires se situe entre 100 millions et plus de 20 milliards de dollars annuels. Les résultats révèlent que les directeurs financiers sont prêts à investir massivement dans les technologies émergentes ainsi que dans la transformation numérique.
Selon le rapport Grant Thornton : « Le parcours de la transformation numérique exigera également des directeurs financiers qu’ils modifient leur mentalité lorsqu’il s’agit d’investir dans la technologie. Les directeurs financiers doivent être prêts à expérimenter – et à subir des échecs en cours de route – sinon ils risquent de prendre du retard ».
Rien de tel que le ROI, la baisse des coûts de main-d’œuvre, ou encore les gains de productivité et d’efficacité pour mettre les directeurs financiers au diapason de la nouvelle technologie. Toutefois, les directeurs financiers seront jugés en fonction de leurs économies de coûts mais aussi sur leur vision à long terme
L’enquête révèle que les directeurs financiers accordent la priorité à l’analyse avancée, à l’apprentissage automatique, à la reconnaissance optique des caractères (OCR) et à l’intelligence artificielle. Et charge aussi aux directeurs financiers d’identifier les cas d’utilisation et de piloter rapidement les technologies qui peuvent être efficaces en fonction.
Par exemple, 38 % des directeurs financiers déclarent observer une mise en œuvre d’outils d’analyse avancée, contre 24 % en 2018. Et l’IA est mise en œuvre par 25 % des directeurs financiers en 2019, contre 7 % en 2018. La Blockchain est citée comme étant mis en œuvre par 22 % des directeurs financiers, contre… 0 % en 2018. Bref, qu’il s’agisse de l’automatisation des processus robotiques, de l’apprentissage machine ou des robots, les directeurs financiers sont en train d’améliorer les taux de mises en œuvre.
Et les directeurs financiers se lancent dans les technologies émergentes dans un contexte où les conseils d’administration exigent des initiatives numériques. Surtout que l’automatisation permet de réduire les coûts. Selon Grant Thornton, 91 % des DAF estiment que c’est le travail du directeur financier de s’assurer que les avantages technologiques se concrétisent. De plus, 83 % conviennent que les achats de technologie doivent être liés à des ROI quantifiables.
L’étude de Grant Thornton fait valoir que les équipes financières ressembleront beaucoup plus à des équipes technologiques désormais. Et l’analyse des données, les achats technologiques, l’innovation, l’expérience client et le développement d’applications sont considérés comme des compétences essentielles à la transformation numérique.
Pourquoi les directeurs financiers misent désormais sur l’IA et le machine learning
Publié sur ZDNet par Larry Dignan le vendredi 22 mars 2019
Comment créer un POC ?
Vous avez une idée, c’est devenu un algorithme et testons-le !
Pour commencer nous avons besoin d’un jeu de donnée, gracieusement fourni par l’IT ! (1 à 2 mois)
Puis de mettre en forme ces données « brutes » … (1 mois)
Enfin, nous pouvons exécuter l’algorithme, le corriger, faire un peu de debug … et au bout d’un petit moi le résultat est là !
On est arrivé, ouf !
Les délais affichés sont ceux constatés dans la réalité…
Maintenant nous sommes très fier d’avoir prouver que « ça marche ! »
Bien sur que « ça marche » !!!! mais c’est une expérience de laboratoire dans la « vraie vie » on ne pas procéder de la sorte ; attendre 3 à 4 mois pour un résultat cela ne sers à rien.
Dans le cadre d’un algorithme de recherche de fraude ou de recherche de blanchiment de fond : c’est franchement trop tardif !
Créer un POC c’est bien pour prouver le fonctionnement d’algorithme mais la production en continu, en se rapprochant, du quasi temps réel c’est mieux..
Le passage d’un POC à un système industriel s’approchant du temps réel ressemble à un iceberg : la partie émergé (soit le résultat de l’algorithme) représente qu’une petite partie du travail à effectuer.
Le schéma ci-dessous est très explicite :
L’IA au service de la conformité
L’IA au service de la conformité représente les défis suivant pour le data management :
Alimentation des donnée
- o L’algorithme doit travailler au plus proche du temps réel
- o Il nécessite une alimentation de haute qualité en temps réel
- o Ceci implique donc que l’alimentation des données soit en temps réel
Qualité des données
- o L’algorithme ne peut supporter aucune erreur de données
- o Le moindre problème de qualité de donnée peut fausser sont résultat
- o Donc : il ne peut y avoir de problème de qualité des données
Auditabilité
- o Les données utilisées doivent pouvoir être audités, même 5 ans après utilisation
- o Il faut donc conserver ces données et pouvoir déterminer comment elles ont été utilisées
- o Donc il faut un système permettant de stocker et de restituer un o volume important de données
- o En cas d’évolution de l’algorithme, il convient de procéder de la même manière
Conclusion pour l’IA et la conformité
- o Mettre en place une IA conformité, c’est se servire des données de la banque mais pas que … des données externes peuvent être aussi utilisées.
- o Si les données sont en « silos », qu’elles arrivent au compte goutte et qu’elles d’une qualité mauvaise cela implique de refondre la chaîne d’alimentation.
- o Il convient donc anticiper et évaluer : que faire, quels coûts pour désilotter, traiter et alimenter ces données.
- o Il faut avoir cette démarche de réflexion et de planification dès la phase de POC : Que se passe-t-il si le coût du data management pour la mise en production est 3 voire 4 fois supérieur au gain de la solution IA ? Mais d’abord est-ce techniquement possible ?
- o Avoir un algorithme d’IA dont on peut expliquer les décisions, c’est au minimum 50% du travail d’auditabilité. Le reste c’est de pouvoir conserver les données utilisée.
- o Important : ne pas hésiter à évaluer des solutions tierces ou externes de gestion de données comme les solutions cloud.
Quelques exemples sur l’IA et son utilisation
La « Watsonmania » serait-elle retombée ?
Pas du tout, les graphiques suivants montrent la pénétration de l’intelligence artificielle dans toute l’économie :
Nous remarquons simplement sur ce graphique que les services financiers semblent un peu en retard par rapport à d’autres secteurs de l’économie.
Dans les services financiers :
Le secteur de la banque de détail est le plus en avance ; c’est effectivement là que les gains de productivité sont les plus important.
Ici nous retrouvons les reproches classiques fait au machine learning.
Ce graphique est intéressant car il montre bien l’impact ressenti par les utilisateurs.
Ces statistiques sont issues de diverses revues telles que :
Lire le Chapitre suivant…