Le secteur des services financiers repose sur une mine de données. Il n’est donc pas surprenant qu’il regorge de cas d’usage prometteurs pour l’intelligence artificielle et l’apprentissage automatique. S’ils sont déployés avec succès, les usages de l’IA pourraient générer jusqu’à 2 000 milliards de dollars de valeur dans la banque, selon une estimation de McKinsey. Lors d’un webinaire récent, Shameek Kundu, ancien Group CDO de Standard Chartered et aujourd’hui Chief Strategy Officer chez TruEra, a détaillé comment accélérer la création de valeur de l’IA dans les services financiers.
Shameek a expliqué que la valeur de la data science et de l’IA dans les services financiers se répartit en trois grands leviers :
- Augmenter les revenus grâce à une meilleure expérience client et à de meilleures décisions
- Réduire les coûts via une gestion des risques plus efficace et une performance opérationnelle accrue
- Révéler des gisements de valeur inexploités et de nouveaux modèles économiques
L’IA dans les services financiers : un champ vaste mais encore superficiel
Aujourd’hui, de nombreux projets d’IA dans la finance restent à l’état embryonnaire et n’atteignent pas le déploiement complet pour diverses raisons. Elles vont de problèmes techniques (disponibilité et qualité limitées des données, goulots d’étranglement technologiques au déploiement) à des obstacles non techniques (pénurie de talents data, confiance limitée dans les systèmes d’IA).
Répondre au manque de confiance dans les systèmes d’IA
Si des modèles d’apprentissage automatique complexes comme les modèles de deep learning apportent des réponses décisives à des problèmes autrefois insolubles comme le repliement des protéines, ils ne sont pas performants pour expliquer leurs prédictions.
Ces « boîtes noires » présentent des risques sociétaux si leurs résultats sont appliqués aveuglément à des décisions à fort enjeu comme la lutte contre le blanchiment d’argent et le scoring de crédit. Sans comprendre comment ces modèles parviennent à leurs prédictions, les utilisateurs finaux peinent à faire confiance à leurs sorties, d’autant plus après des incidents médiatisés de biais dans les systèmes d’IA.
Selon Shameek, trois actions clés peuvent renforcer la confiance dans l’IA.
Démystifier le machine learning par l’éducation
Une éducation générale pour tous L’éducation est la stratégie de long terme pour lever les craintes liées à l’IA. À mesure que les parties prenantes internes, les régulateurs et les clients comprennent mieux l’impact de l’IA sur eux, ils sont plus enclins à l’accepter.
Une formation spécialisée pour combler le déficit de compétences La pénurie de talents techniques empêche les entreprises de déployer l’IA à l’échelle. Les organisations qui veulent tirer de la valeur de leurs systèmes d’IA doivent donc recruter des talents data ou proposer des formations spécialisées pour faire monter en compétences leurs collaborateurs.
Mettre en place des garde-fous internes pour les systèmes d’IA
Des garde-fous internes définissent le cadre d’implémentation, d’évaluation et de suivi des systèmes d’IA.
Ils reposent sur trois composantes majeures :
- Un ensemble de principes directeurs qui fixe les limites de ce que l’IA peut faire dans l’entreprise
- Des facilitateurs pour les parties prenantes internes afin de déployer l’IA en toute sécurité
- Des outils et technologies standardisés pour évaluer l’équité des systèmes d’IA
S’appuyer sur des outils et technologies pour améliorer la qualité de l’IA
Des failles tout au long du cycle de vie de l’IA peuvent introduire des problèmes de qualité. Heureusement, des outils existent pour les atténuer.
Expliquer les modèles « boîte noire » L’explicabilité de l’IA est un domaine de recherche en plein essor. Elle promet d’ouvrir ces boîtes noires, de démystifier le processus de génération des prédictions et de renforcer la confiance.
Traiter la faible qualité des données et des labels Un étudiant peut échouer à un examen sur un sujet méconnu ; de même, un modèle de machine learning peut sous-performer s’il est entraîné sur des données inadéquates. Les systèmes d’IA peuvent échouer si les données d’entraînement diffèrent fortement des données rencontrées en production. Le Responsible AI Widget de Microsoft pour Python peut aider à identifier et résoudre ce type de problèmes.
Tester la transparence et l’équité des modèles Des modèles peuvent présenter des biais défavorables envers une population, par exemple une minorité ethnique ou un genre, en raison de biais cachés dans les données d’entraînement. Des solutions open source comme fairlearn et AI Fairness 360 d’IBM aident à traiter ces écarts.
Conclusion
Instaurer la confiance dans l’IA au sein d’une entreprise demande du temps et de la collaboration. Les organisations doivent faire monter en compétences leurs talents IA et mettre en place des garde-fous pour la sécurité de l’IA, tandis que les praticiens doivent exploiter pleinement les outils à leur disposition pour rendre l’IA équitable pour tous. Ce n’est que lorsque les utilisateurs font confiance à l’IA que les systèmes peuvent être adoptés à grande échelle.
Si l’application de l’IA aux services financiers vous intéresse, ne manquez pas le webinaire à la demande de Shameek : « Scaling AI Adoption in Financial Services ». Vous y trouverez des éclairages concrets sur les usages de l’IA et des conseils pratiques pour en accélérer l’adoption.