TOTALENERGIES TRADING op AI Finance van Artefact LLM voor handel

In de video wordt ingegaan op het gebruik van Large Language Models (LLM’s) in de handel. De handelsafdeling van TotalEnergies, met 1.400 tot 1.500 medewerkers verspreid over wereldwijde hubs, houdt zich bezig met zowel de handel in olie als met nieuwere grondstoffen zoals gas en elektriciteit. De nadruk ligt op technologische uitdagingen die voortvloeien uit de uiteenlopende ontwikkelingsniveaus van de handelsactiviteiten, die worden bepaald door de multi-energiestrategie organisatie.

De verschillende handelsdivisies van TotalEnergies vertonen uiteenlopende mate van digitalisering. Zo maakt de oliehandel bijvoorbeeld gebruik van IT-systemen die al meer dan 30 jaar oud zijn en waarbij een punt-tot-punt-afhandeling vereist is, terwijl de energiehandel van nature verder gedigitaliseerd is. Deze verschillen vormen een uitdaging, met name bij het op elkaar afstemmen van de routekaarten en het streven naar uniformiteit van de systemen binnen de handelsdivisie.

Het stappenplan leidde tot experimenten met generatieve AI om de acceptatie binnen de bedrijfsonderdelen te stimuleren. Er zijn nu twee use cases in productie: één voor toegang tot informatie en besluitvorming vóór het sluiten van een deal, en één voor het opsporen van afwijkingen na het sluiten van een deal. De eerste is een nieuw besluitvormingsinstrument, terwijl de tweede een bestaande machine learning-oplossing verbetert.

De use cases zijn tot stand gekomen via een samenwerkingsproces onder leiding van het innovatieteam. Zij organiseerden workshops en presentaties om bedrijfsonderdelen te inspireren en ideeën te genereren. Teams met interesse in generatieve AI, met name binnen de middle-office-activiteiten, volgden ontwikkelingen zoals ChatGPT op de voet en droegen ideeën aan. Dankzij deze samenwerkingsgeest konden er snel ideeën worden bedacht en use cases worden geïmplementeerd, waarbij technologische partners zoals AWS hielpen bij het ontwikkelen van proefprojecten.

De AI hebben toegevoegde waarde voor de bedrijfsfuncties, maar brengen ook uitdagingen met zich mee. Bedrijfsteams moeten de agenten nu actief trainen en verbeteren. TotalEnergies heeft mechanismen ontwikkeld waarmee teams instructies en feedback kunnen geven. De acceptatie varieert: sommige afdelingen omarmen de technologie snel, terwijl andere daar meer tijd voor nodig hebben. Digitale koplopers in elk team helpen deze acceptatie te stimuleren.

De ontwikkeling en implementatie van AI vindt grotendeels in de praktijk plaats, waarbij praktijkgericht leren wordt gecombineerd met meer gestructureerde training. Technologische teams staan voor grote uitdagingen bij het voorbereiden van IT-systemen op AI , wat ondersteuning en een verschuiving in ontwikkelingsparadigma’s vereist. Generatieve AI de manier waarop systemen worden ontworpen, waardoor er soms een „toezichthoudende agent“ nodig is om gespecialiseerde agenten voor verschillende functies, zoals zoeken op het web en data , aan te sturen.

De use case voor anomaliedetectie levert een duidelijk rendement op, aangezien het opsporen van kostbare afwijkingen van cruciaal belang is; detectie op basis van LLM’s verhoogt de nauwkeurigheid met 20%. Het rendement van besluitvormingstools is moeilijker te kwantificeren en wordt vaak beoordeeld aan de hand van kwalitatieve feedback over het nut en de efficiëntie ervan. Proefprojecten duren 1 tot 3 maanden, afhankelijk van de complexiteit en de prestatiedoelstellingen.

TotalEnergies lanceert nog meer initiatieven, waaronder een hackathon in samenwerking met Artefact AI voor de handel te genereren. Er werden meer dan 50 ideeën ingediend, en het is de bedoeling om ongeveer tien veelbelovende concepten verder uit te werken. Ondanks operationele zorgen blijft het momentum groot om waardevolle AI te identificeren en te implementeren, met als doel volgend jaar meer projecten te presenteren.