TOTALENERGIES TRADING at AI for Finance by Artefact - LLM pour le trading

La vidéo traite de l'utilisation des grands modèles de langage (LLM) dans le commerce. La division commerciale de TotalEnergies, qui compte entre 1 400 et 1 500 employés répartis dans des 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 découlant des différents niveaux de maturité des activités de négoce, déterminés par la stratégie multi-énergie de l'entreprise.

Les différents secteurs commerciaux de TotalEnergies présentent différents degrés de numérisation. Par exemple, le négoce du pétrole utilise des systèmes informatiques datant de plus de 30 ans, nécessitant une gestion point à point, alors que le négoce de l'électricité est intrinsèquement plus numérisé. Ces différences posent des défis, notamment en ce qui concerne l'harmonisation des feuilles de route tout en essayant d'unifier les systèmes dans l'ensemble de la division commerciale.

La feuille de route a conduit à l'expérimentation d'agents d'IA générative afin d'inspirer l'adoption au sein des unités opérationnelles. Deux cas d'utilisation sont maintenant en production : l'un pour l'accès à l'information et la prise de décision avant l'opération, et l'autre pour la détection d'anomalies après l'opération. Le premier est un nouvel outil de prise de décision, tandis que le second améliore une solution d'apprentissage automatique existante.

Les cas d'utilisation ont été lancés dans le cadre d'un processus de collaboration mené par l'équipe d'innovation. Elle a organisé des ateliers et des présentations pour inspirer les unités opérationnelles et générer des idées. Les équipes intéressées par l'IA générative, en particulier dans les opérations de middle-office, ont suivi activement des développements tels que ChatGPT et ont apporté des idées. Cet esprit de collaboration a permis l'idéation et l'adoption rapides de cas d'utilisation, avec le soutien de partenaires technologiques tels qu'AWS pour développer des projets pilotes.

Les agents d'IA ont ajouté de la valeur aux fonctions de l'entreprise, mais ne sont pas sans poser de problèmes. Les équipes commerciales doivent maintenant former et améliorer activement les agents. TotalEnergies a créé des mécanismes permettant aux équipes de fournir des instructions et un retour d'information. L'adoption varie, certains secteurs adoptant rapidement la technologie, tandis que d'autres prennent plus de temps. Les champions du numérique dans chaque équipe contribuent à cette adoption.

Le développement et le déploiement d'agents d'IA se font en grande partie sur le terrain, avec un mélange d'apprentissage pratique et de formation plus structurée. Les équipes technologiques sont confrontées à des défis importants pour préparer les systèmes informatiques à l'intégration de l'IA, ce qui nécessite un soutien et un changement dans les paradigmes de développement. L'IA générative modifie la façon dont les systèmes sont conçus, nécessitant parfois un "agent superviseur" pour gérer des agents spécialisés dans différentes fonctions telles que la recherche sur le web et le résumé de data .

Le cas d'utilisation de la détection d'anomalies montre un retour sur investissement clair, car la détection d'anomalies coûteuses est cruciale, la détection basée sur le LLM améliorant la précision de 20 %. Le retour sur investissement des outils de prise de décision est plus difficile à quantifier et repose souvent sur un retour d'information qualitatif concernant leur utilité et leur efficacité. Les projets pilotes durent de 1 à 3 mois, en fonction de la complexité et des objectifs de performance.

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