Aditi Subbarao, Global Financial Services Lead chez INSTABASE, à AI for Financial Services NYC - L'adoption de la GenAI dans l'origination des prêts

Aditi Subara, responsable des services financiers chez Instabase, utilise un pop quiz pour mettre en contraste les contributions scientifiques de Michael Faraday et l'impact de l'application technologique d'Elon Musk. Cela met en évidence l'objectif de transformer le potentiel de l'IA en valeur commerciale tangible pour les services financiers, à l'instar de l'impact de Musk avec Tesla.

Instabase aide les organisations à convertir data non structurée en informations exploitables, en s'attaquant au problème de la dispersion de data. L'IA, comme un moteur électrique, repose sur data. La plupart des données data des entreprises ne sont pas structurées. Les débuts de l'IA dans les services financiers se sont concentrés sur l'optimisation des processus, l'automatisation des tâches précédemment effectuées par les humains. Au départ, l'IA extrayait data de documents, mais l'IA générative intègre et analyse désormais data à partir de plusieurs documents. Cela est illustré par l'origination de prêts, où l'IA calcule data à partir de bulletins de salaire, de relevés bancaires et de lettres d'emploi afin de déterminer le revenu de l'emprunteur.

Le potentiel de l'IA va au-delà du traitement des documents et permet de créer des vues d'ensemble en intégrant les données internes et externes data. Cette prochaine phase vise à automatiser la prise de décision avec des garde-fous. Les organisations disposent de vastes sources de data et de nombreuses applications potentielles de l'IA, en se concentrant sur les domaines à fort impact où l'on consacre le plus de temps au traitement de data. Un cadre reposant sur trois piliers est présenté : le traitement opérationnel de la data, l'interrogation spécifique de la data et la recherche de connaissances, ce qui permet d'identifier systématiquement les applications de l'IA dans toutes les fonctions de l'organisation.

L'automatisation de l'extraction et de la structuration de data à partir de divers documents améliore l'efficacité de processus tels que le montage de prêts. L'IA peut créer des chatbots pour interroger des ensembles statiques de data, tels que des directives de souscription ou des politiques de dépenses, démontrant ainsi sa flexibilité. Des avancées telles que ChatGPT permettent à l'IA d'interagir avec data, de répondre à des questions complexes, de fournir des informations plus approfondies et d'améliorer l'analyse de data. Pour être efficaces, les solutions d'IA doivent intégrer des modèles de langage avec des connaissances visuelles et de mise en page afin de traiter les data complexes de l'entreprise de manière exhaustive.

Ces éléments sont essentiels pour garantir la précision et la fiabilité de l'IA. Les systèmes d'IA doivent être contrôlés et dotés de scores de confiance et de mécanismes d'évaluation humaine. Toutes les tâches ne nécessitent pas des solutions d'IA sophistiquées, et les organisations doivent donc décider où appliquer l'IA en fonction des avantages et des risques, en évitant de trop dépendre des grands modèles de langage. 1TP36La mise en œuvre de l'IA implique d'identifier les cas d'utilisation appropriés, d'appliquer systématiquement l'IA aux fonctions opérationnelles, d'interrogation et de connaissance, et d'assurer des tests et une gouvernance approfondis.

Les capacités de l'IA en matière de montage de prêts comprennent l'extraction automatisée de data à partir de documents complexes, les transformant en data structurée pour les systèmes en aval tels que les systèmes de montage de prêts, les moteurs de tarification ou les systèmes de gestion des risques. Un exemple d'Instabase lors de la pandémie de COVID-19 illustre cette situation : une banque américaine a dû faire face à un afflux de demandes de prêts dans le cadre du programme de prêts PPP et a utilisé Instabase pour élaborer une solution en six jours, augmentant la capacité de traitement de 10 000 prêts par jour à 10 000 prêts par heure, démontrant ainsi le potentiel de l'IA à augmenter de manière significative la productivité dans les processus opérationnels.

Construire des chatbots dédiés à des fonctions spécifiques au sein d'une organisation, telles que la demande de directives de souscription. Les chatbots traitent les questions fixes de data et fournissent des réponses précises. Avec l'IA conversationnelle, les utilisateurs peuvent interagir avec data, poser des questions sur des documents ou des ensembles data spécifiques et recevoir des réponses détaillées et contextuelles.

Un cadre de gouvernance solide, des politiques de sécurité data et des protocoles de test rigoureux sont essentiels pour valider les résultats de l'IA. Les organisations doivent s'assurer que les modèles d'IA sont précis, transparents et responsables, capables d'expliquer leur fonctionnement et de retracer les sources et les calculs.

L'application stratégique de l'IA implique une sélection minutieuse des cas d'utilisation, l'application de l'IA à différentes fonctions organisationnelles, des tests approfondis et une bonne gouvernance. En se concentrant sur les domaines ayant le plus d'impact sur l'entreprise, en exploitant l'IA pour l'efficacité opérationnelle, en effectuant des requêtes spécifiques data et en intégrant des cadres de gouvernance solides, les organisations peuvent exploiter tout le potentiel de l'IA.