Dr. Sai Zeng, Head of AI CoE & Distinguished Engineer at UBS, at AI for Financial Services NYC - AI Successes in Investment Management (succès de l'IA dans la gestion des investissements)

À propos de Sai Zeng : Chez UBS, elle dirige la mise en œuvre de stratégies basées sur l'IA pour améliorer la gestion data , la réduction des risques et l'efficacité opérationnelle dans les fonctions de groupe de la banque.

A propos d'UBS : UBS est une société mondiale de services financiers qui propose des services de gestion de fortune, de gestion d'actifs et de banque d'investissement. Elle opère dans les principaux centres financiers du monde et fournit des solutions financières sur mesure à une clientèle diversifiée.

La reproduction des scientifiques seniors data et l'intégration de divers talents dans les domaines de l'apprentissage automatique, de l'apprentissage en profondeur et du NLP sont essentielles pour faire évoluer la technologie de l'IA. Le codéveloppement de solutions avec les équipes de développement et les parties prenantes de l'entreprise favorise une approche "full stack data scientist".

L'IA et l'apprentissage automatique sont considérés comme des extensions des produits et solutions existants, et non comme des produits autonomes. Cela encourage une collaboration étroite avec les équipes de développement et les propriétaires de produits pour intégrer les modèles d'IA dans les cadres existants.

Les équipes consacrent environ 20 % de leur capacité à l'innovation et à l'expérimentation de nouveaux modèles linguistiques et de nouvelles technologies. Cette approche structurée garantit que l'expérimentation axée sur les problèmes s'aligne sur les objectifs de l'organisation, en équilibrant le besoin d'innovation et la réalisation de progrès et de valeurs mesurables.

Les applications de l'IA comprennent un outil de recherche de documents juridiques qui améliore la fonctionnalité de recherche pour 20 millions de documents et un outil d'autocommentaire pour les contrôleurs financiers qui automatise l'agrégation de data et la génération de commentaires. Ces outils améliorent l'efficacité opérationnelle et répondent à des besoins commerciaux spécifiques.

Il est essentiel d'embaucher des personnes qui comprennent les algorithmes d'IA et qui peuvent intégrer les capacités dans les solutions de produits. Cela implique un concept de "full stack data scientist", où les professionnels connaissent l'IA, le développement de logiciels, le déploiement et l'évolutivité en production, garantissant ainsi une approche holistique dès le début.

Le temps consacré à l'innovation est motivé par des problèmes réels. Suite à l'acquisition du Crédit Suisse, un cas d'utilisation spécifique concernait les questions des RH sur la comparaison des plans 401(k). Cette exploration s'est étendue au-delà de simples questions à des cadres multi-agents complexes, inspirant d'autres explorations et innovations.

L'IA dans les services financiers se concentre sur l'efficacité opérationnelle et les économies de coûts, avec des avantages tels que l'amélioration de l'expérience client et des ventes/du marketing. Les applications de l'IA dans les chatbots des FAQ internes, les rapports automatisés et l'automatisation dans des domaines tels que la lutte contre le blanchiment d'argent (AML) et les processus de connaissance du client (KYC) passent rapidement en production.

Un outil de recherche de documents juridiques a été confronté à des défis tels que la gestion de 20 millions de documents et la mise en place d'un contrôle d'accès. L'équipe a mis au point un outil de recherche de documents juridiques semblable à Google, en se concentrant sur l'évolutivité et le contrôle d'accès. Il a fallu plus d'un an pour passer de la validation du concept à la production.

Un outil d'auto-commentaire destiné aux contrôleurs financiers automatise l'agrégation de data et la génération de commentaires. Cet outil rationalise le processus d'explication des changements significatifs dans le compte de résultat, en remplaçant le tri manuel sur data par des solutions automatisées. Il intègre de grands modèles de langage pour découvrir des schémas de langage et générer des commentaires quotidiens.

Les modèles d'IA suivent des processus d'approbation établis similaires à ceux des modèles de risque. La fourniture de preuves concernant les données d'entrée, les données de sortie et les mesures garantit la conformité avec les normes de gouvernance. Les grands modèles de langage nécessitent de nouvelles approches de validation, reflétant la nature évolutive des technologies d'IA.

Garantir la précision sans hallucination est un défi, en particulier dans les environnements structurés data . Les solutions consistent à utiliser des modèles d'intelligence artificielle pour interpréter data et composer des réponses en minimisant les erreurs. L'interaction avec de grands modèles de langage se concentre sur la composition de réponses basées sur data extraites via des instructions SQL.