Auteur
Athena Sharma a pris la parole lors du sommet AI for Finance 2022 le 20 septembre pour évoquer la prolifération des projets d'intelligence artificielle dans les secteurs de la banque et de l'assurance, les difficultés auxquelles certaines institutions financières sont confrontées en ce qui concerne leur réalisation, et les moyens de surmonter ces obstacles.
Selon The Economist, quelque 54 % des grandes institutions financières avaient déjà adopté l'intelligence artificielle en 2020, alors imaginez ce qu'il en est aujourd'hui. Pour ajouter à cette prolifération, 86 % des cadres financiers déclarent qu'ils prévoient d'augmenter les investissements dans l'IA jusqu'en 2025. Et dans une autre enquête, 81 % ont déclaré que l'exploitation de la valeur de l'IA serait le principal facteur de différenciation entre les gagnants et les perdants dans le secteur bancaire.
"Il est clair qu'il y a un argument de valeur très fort à faire valoir pour l'IA dans les institutions financières", a déclaré Athena. "Les banques d'investissement sont peut-être les premières à adopter et à bénéficier de la technologie de l'apprentissage automatique dans le domaine du trading algorithmique. Après tout, 70 % des IF utilisent désormais l'apprentissage automatique pour la détection des fraudes, l'évaluation du crédit ou la prévision des événements de flux de trésorerie, et l'IA conversationnelle est couramment utilisée dans la banque de détail et l'assurance. Malgré cela, de nombreux IF ne parviennent pas à mettre en production leurs projets d'IA afin de générer une valeur concrète à l'échelle de l'entreprise."
Athena a expliqué les principaux obstacles à la réussite d'un projet d'IA et la manière de les surmonter :
Investir dans les technologies de base et data management
Pour Athena, l'une des principales difficultés auxquelles sont confrontées les institutions financières est que leur technologie de base est conçue pour des opérations traditionnelles, telles que les paiements, les prêts et la gestion des sinistres. "Les piles informatiques traditionnelles n'ont pas la flexibilité nécessaire pour déployer des compétences en IA. La capacité de calcul pour la gestion et l'analyse de data dont vous avez besoin dans une application de RV en boucle fermée n'existe tout simplement pas et les tests et le développement de technologies d'IA peuvent prendre des jours, voire des mois, ce qui est prohibitif lorsque vous essayez d'être innovant. La solution ? Changer les technologies de base : passer à l'informatique en nuage.
"Un environnement cloud peut réduire le temps nécessaire pour tester et développer des solutions d'IA à quelques minutes, grâce aux services gérés", assure Athena. "Une banque avec laquelle j'ai travaillé a commencé à passer au cloud il y a deux ans, et son taux d'innovation a augmenté d'environ 49 % selon ses propres KPI. Cela peut sembler peu, mais pour une institution monolithique en place, c'est tout à fait révolutionnaire".
Une autre facette de ce défi est l'investissement dans la gestion de data - à la fois en termes de qualité de data et d'accès à data . Dans les IF, data est cloisonné entre diverses unités et divisions commerciales. En conséquence, data n'est pas normalisé, la qualité est difficile à gérer et il n'y a pas de source unique de vérité, de sorte que les parties prenantes ne sont pas sûres de la fiabilité du site data sous-jacent aux projets proposés. "L'investissement dans des pratiques modernes de gouvernance data et de gestion data est crucial pour les institutions financières", insiste Athena. "L'un des éléments clés de ces pratiques est ce que nous appelons un modèle d'entreprise Data , ou EDM (Enterprise Model). Il ne s'agit pas d'un concept informatique, mais d'une manière de décrire et d'organiser logiquement votre data - l'ensemble de votre data - dans un langage pertinent pour l'entreprise - une sorte de glossaire commercial, si vous voulez, qui rationalise data la gestion de la qualité pour tous les utilisateurs certifiés."
La dernière partie de ce défi est l'accès au site data .
"Data est la matière première la plus précieuse que possède une organisation ; la clé pour tirer parti de sa valeur est d'avoir accès à l'analyse à grande échelle, au moment de la prise de décision. C'est particulièrement difficile dans les banques en raison de la confidentialité des données ( data ). Une solution innovante consiste à créer des bases de données compatibles avec les API pour un accès plus efficace et plus sûr à data , mais à l'échelle et en temps réel pour atteindre vos objectifs commerciaux."
Mise en œuvre d'un modèle opérationnel tourné vers l'avenir
Le deuxième défi pour les institutions financières réside dans le modèle opérationnel qu'elles utilisent. La plupart d'entre elles sont organisées en divisions commerciales, souvent avec des fonctions informatiques centralisées, ce qui entrave leur capacité d'innovation. Les chefs d'entreprise définissent leurs propres agendas et stratégies d'IA, ce qui se traduit par des équipes fragmentées et une approche en cascade qui entraîne des retards, des dépassements de coûts, des performances sous-optimales et une absence totale d'état d'esprit d'essai et d'apprentissage. Les institutions financières doivent être en mesure de travailler de manière itérative afin d'innover et de s'améliorer en permanence - une nécessité pour développer l'IA, car personne ne réussit jamais du premier coup.
"Au lieu de cela, nous proposons à Artefact un modèle de fonctionnement plus agile et plus flexible, orienté vers l'avenir et basé sur les produits data . Un produit data est essentiellement un ensemble de solutions data qui répondent directement à un défi ou à un résultat commercial. Chaque produit data est développé par une équipe dédiée qui dispose de son propre budget, de ses propres ressources et de ses propres indicateurs de performance."
"Par exemple, disons que vous disposez d'une équipe client 360 composée de parties prenantes commerciales, informatiques et data . Ils peuvent fournir plusieurs produits data à l'entreprise, ainsi qu'à des clients externes, ce qui vous permet d'obtenir une couche d'analyse client 360. Data Les scientifiques et les ingénieurs peuvent utiliser cette couche d'analyse pour tester et apprendre des solutions d'intelligence artificielle. Vous pouvez également disposer d'un tableau de bord client à 360° avec des indicateurs clés de performance pertinents pour vos collègues commerciaux de première ligne et l'utiliser pour améliorer la valeur de la durée de vie des clients. Vous pourriez également fournir data à votre équipe marketing sur l'optimisation et la personnalisation pour l'aider à mieux dépenser ses budgets."
Les possibilités sont infinies, mais en substance, un modèle opérationnel modulaire permet à vos équipes de mieux collaborer et de travailler à un objectif stratégique commun, plutôt que dans les silos qui divisent actuellement les IF - ainsi qu'une myriade d'entreprises dans tous les secteurs où les équipes de produits ne sont pas encore une réalité.
Prendre en compte de manière proactive l'éthique et la réglementation de l'IA
L'investissement dans l' éthique et la réglementation de l'IA est actuellement crucial pour les institutions financières. En examinant la proposition de loi sur l'intelligence artificielle de la Commission européenne, le Contrôleur européen de la protection des données(CEPD) Data estime qu'il est nécessaire de renforcer la protection des droits fondamentaux, notamment le droit à la vie privée et à la protection des données à caractère personnel data.
Des restrictions réglementaires seront imposées à quiconque utilise un logiciel associé à la technologie biométrique dans les institutions financières, la gestion du capital humain ou l'évaluation de la solvabilité des personnes. Dans l'état actuel des choses, cela affectera presque toutes les institutions financières. Si personne ne connaît encore l'étendue de la future réglementation de l'IA, il est évident que les réglementations seront fondées sur l'éthique. Or, de nombreux dirigeants du secteur des services financiers estiment que leurs entreprises ne comprennent pas les questions éthiques liées à l'IA.
Artefact propose d'élaborer un cadre de gouvernance interne de l'IA qui couvre tous les aspects de l'éthique de l'IA, y compris la gestion des acheteurs, data , la formation et le recyclage des modèles, l'explicabilité de l'IA. Pour ce faire, les conseils d'experts peuvent être utiles, mais ce qui est vraiment nécessaire, c'est un changement d'état d'esprit en deux parties couvrant tous les aspects de l'éthique de l'IA, y compris les acheteurs, data la gestion, la formation et le recyclage des modèles l'explicabilité de l'IA.
Le premier changement nécessite l'adhésion à grande échelle des parties prenantes, en les obligeant à abandonner la mentalité, la division et les modèles opérationnels cloisonnés qui vous empêchent de produire de l'IA. Le deuxième changement consiste à passer d'un état d'esprit d'aversion au risque à un état d'esprit de pionnier. Cela nécessite un changement culturel profond où l'ensemble de l'organisation atteint un niveau élevé de connaissances sur l'impact de l'IA, ses applications et son éthique, afin d'être innovant sans être irresponsable.
"Ce n'est pas facile, surtout dans un secteur où l'aversion au risque est profondément ancrée. Mais en fin de compte, lorsqu'il s'agit d'adopter l'IA, je ne pense pas que les institutions financières aient beaucoup d'options, la question n'est pas de savoir si ou comment l'IA peut ajouter de la valeur à votre entreprise. Il s'agit de savoir comment vous pouvez intégrer l'IA dans vos opérations quotidiennes afin de rester pertinent et compétitif sur un marché mondial en évolution rapide."
