TOTALENERGIES TRADING à l'AI for Finance by Artefact Master en droit (LLM) spécialisé dans le trading

Cette vidéo aborde l'utilisation des grands modèles linguistiques (LLM) dans le domaine du négoce. La division négoce de TotalEnergies, qui compte entre 1 400 et 1 500 collaborateurs répartis dans ses différents centres mondiaux, gère à la fois le négoce du pétrole et celui de matières premières plus récentes telles que le gaz et l'électricité. L'accent est mis sur les défis technologiques liés aux différents niveaux de maturité des activités de négoce, qui s'inscrivent dans le cadre de la stratégie multi-énergies de l'entreprise.

Les différents secteurs de négoce de TotalEnergies présentent des niveaux de numérisation variables. Par exemple, le négoce pétrolier utilise des systèmes informatiques datant de plus de 30 ans, qui nécessitent un traitement point à point, tandis que le négoce d'électricité est intrinsèquement plus numérisé. Ces différences posent des défis, notamment en matière d'harmonisation des feuilles de route, alors que l'on s'efforce d'unifier les systèmes au sein de la division négoce.

Cette feuille de route a conduit à mener des essais avec des agents d'IA générative afin d'encourager leur adoption au sein des unités opérationnelles. Deux cas d'utilisation sont désormais en production : l'un concerne l'accès aux informations et la prise de décision avant la conclusion d'une transaction, et l'autre la détection des anomalies après la conclusion d'une transaction. Le premier est un nouvel outil d'aide à la décision, tandis que le second vient améliorer une solution d'apprentissage automatique existante.

Ces cas d'utilisation ont vu le jour à l'issue d'un processus collaboratif mené par l'équipe chargée de l'innovation. Celle-ci a organisé des ateliers et des présentations afin de susciter l'intérêt des divisions opérationnelles et de générer des idées. Les équipes intéressées par l'IA générative, notamment celles chargées des opérations de middle-office, ont suivi de près les avancées telles que ChatGPT et ont apporté leurs contributions. Cet esprit de collaboration a permis de générer rapidement des idées et d'adopter ces cas d'utilisation, avec le soutien de partenaires technologiques comme AWS pour le développement de projets pilotes.

Les agents IA ont apporté une valeur ajoutée aux fonctions opérationnelles, mais posent également des défis. Les équipes opérationnelles doivent désormais former et perfectionner activement ces agents. TotalEnergies a mis en place des mécanismes permettant aux équipes de fournir des instructions et des retours d'expérience. Le degré d'adoption varie : certains services adoptent rapidement cette technologie, tandis que d'autres prennent plus de temps. Les « champions du numérique » au sein de chaque équipe contribuent à favoriser cette adoption.

Le développement et le déploiement des agents d'IA s'effectuent principalement sur le terrain, en combinant apprentissage pratique et formation plus structurée. Les équipes techniques sont confrontées à des défis de taille pour préparer les systèmes informatiques à l'intégration de l'IA, ce qui nécessite un accompagnement et une évolution des paradigmes de développement. L'IA générative modifie la conception des systèmes, rendant parfois nécessaire la mise en place d'un « agent de supervision » chargé de gérer des agents spécialisés pour différentes fonctions, telles que les recherches sur le Web et data .

Le cas d'utilisation de la détection d'anomalies présente un retour sur investissement (ROI) évident, car la détection d'anomalies coûteuses est cruciale ; la détection basée sur les modèles de langage de grande capacité (LLM) améliore la précision de 20 %. Le ROI des outils d'aide à la décision est plus difficile à quantifier ; il repose souvent sur des retours qualitatifs concernant leur utilité et leur efficacité. Les projets pilotes durent entre 1 et 3 mois, en fonction de la complexité et des objectifs de performance.

TotalEnergies lance de nouvelles initiatives, notamment un hackathon en collaboration avec Artefact générer des idées d'IA pour le trading. Plus de 50 idées ont été soumises, et il est prévu de développer une dizaine de concepts prometteurs. Malgré certaines préoccupations opérationnelles, la dynamique reste forte pour identifier et mettre en œuvre des applications d'IA pertinentes, l'objectif étant de présenter davantage de projets l'année prochaine.