La FinTech et l'IA à la tête de la prochaine vague d'innovation

Anna Schoff – Diplômée en MSc en Speech and NLP, spécialisée en apprentissage profond, science des données et machine learning. Ses intérêts de recherche incluent le déchiffrement neural des langues anciennes, la traduction automatique à faibles ressources et l’identification de la langue. Elle possède une vaste expérience en linguistique computationnelle, IA et recherche en NLP dans le milieu académique et industriel.

Bhushan Joshi – Leader en compétences pour les secteurs de la banque ISV, des marchés financiers et de la gestion de patrimoine, avec une expérience approfondie en banque numérique, marchés de capitaux et transformation cloud. Il a dirigé des stratégies commerciales, du conseil et des implémentations technologiques financières à grande échelle pour des banques mondiales, en se concentrant sur les microservices, l’optimisation des processus et les systèmes de trading.

Kenneth Schoff – Spécialiste technique distingué du groupe Open chez IBM AI Applications, avec plus de 20 ans d’expérience dans la banque, les marchés financiers et la fintech. Il se spécialise dans les solutions IBM Sterling, la vente technique et le conseil aux cadres dirigeants sur les transformations pilotées par l’IA dans la chaîne d’approvisionnement et les services financiers.

Raja Basu – Leader en gestion de produits et innovation, expert en IA, automatisation et durabilité dans les marchés financiers. Fort d’une solide expérience en transformation technologique bancaire, il a dirigé des projets de conseil et de mise en œuvre à l’échelle mondiale en Amérique du Nord, au Canada, en Europe et en Asie. Actuellement doctorant à XLRI, il se concentre sur l’impact de l’IA sur les systèmes financiers et la durabilité.

Découvrez les meilleures actualités et événements fintech !

Abonnez-vous à la newsletter de FinTech Weekly

Lue par des dirigeants de JP Morgan, Coinbase, Blackrock, Klarna et d’autres

Le développement de la technologie IA pour la fintech connaît une croissance avec un potentiel considérable, mais cette croissance pourrait être plus lente que dans d’autres domaines en raison de la complexité du problème.

L’IA peut repérer des motifs et anomalies que les humains manquent généralement grâce à sa capacité à traiter d’énormes quantités de données sous diverses formes structurées et non structurées.

Cependant, le cerveau humain, avec plus de 600 trillions de connexions synaptiques, est considéré comme l’objet le plus complexe que nous connaissions – sur Terre, dans le système solaire, et au-delà. L’IA peut augmenter l’analyse humaine par sa capacité à traiter de nombreux détails en volume, mais elle ne peut pas penser.

Dans des cours d’IA à Yale il y a plusieurs années, ils définissaient l’IA comme “l’étude des processus cognitifs par le biais de modèles computationnels”. Cette définition reste valable. Souvent, ces modèles computationnels sont utiles en eux-mêmes, et leur capacité a évolué, passant des systèmes experts et petits réseaux neuronaux artificiels aux techniques de deep learning utilisées pour construire de grands modèles linguistiques (LLMs) et les modèles fondamentaux utilisés dans l’IA générative.

Les avancées matérielles ont rendu cela possible, et il y en aura sûrement d’autres.

Dans les années 1990, nous savions que le manque de connaissances générales dans les systèmes IA était un facteur limitant majeur, et nous sommes désormais capables de fournir cette capacité dans de grands modèles d’IA. Les premières technologies IA étaient limitées à des tâches très spécifiques, un peu comme des savants fous – capables d’exceller dans une tâche précise, mais inutiles pour autre chose.

Cela dit, ils ont et peuvent encore apporter une valeur à leurs tâches spécifiques avec des coûts de calcul bien moindres. Pour des raisons de durabilité, ces technologies peuvent continuer à jouer leur rôle dans le paysage de l’IA.

Les capacités de traitement du langage naturel (NLP) et de traitement de la parole offertes par les LLMs peuvent désormais capturer environ 90 % du contenu d’un échange en langage naturel avec une grande précision, ce qui est très précieux pour l’interaction homme-machine.

Dans l’état actuel de l’art, les modèles utilisés pour le NLP nécessitent des coûts computationnels très élevés (lire : facture d’électricité très élevée), ce qui va à l’encontre des considérations de durabilité. Rappelez-vous qu’un bibliothécaire expérimenté ou un professionnel similaire peut fournir des résultats à 100 % précis pour le coût d’un déjeuner. Il faut utiliser la ressource appropriée au bon moment.

Plus récemment, avec des développements comme DeepSeek, nous voyons des optimisations obtenues en construisant des applications plus petites et spécifiques à un domaine, en utilisant les mêmes technologies que celles des modèles plus vastes. C’est une situation gagnant-gagnant : fournir une technologie IA robuste pour un domaine précis tout en réduisant les coûts de calcul. Par exemple, un système d’IA fintech pour la gestion de patrimoine n’a pas besoin d’un background en littérature anglaise.

Conseil en gestion de patrimoine assisté par IA

Prenons la gestion de patrimoine comme exemple d’application.

Un entretien client pour créer un profil peut être piloté par des techniques IA de base comme un arbre de décision ou un système expert. Cependant, d’après notre expérience avec certains entretiens pilotés par des systèmes experts, un conseiller bien formé obtiendra de meilleurs résultats simplement par une conversation. Il n’y a pas de substitut à des professionnels compétents. L’IA doit aider, mais ne doit pas conduire.

Analyse de portefeuille

Si le client possède un portefeuille actuel, une analyse est nécessaire, et l’IA peut aussi aider. Comment ont performé les investissements au fil du temps ? Le client se concentre-t-il sur certains secteurs ? Quel est le pronostic pour leur performance future ? Quelle est l’historique des transactions du client ?

En se basant sur le profil du client et l’analyse du portefeuille, le conseiller peut définir des limites spécifiques à ce que l’analyse doit considérer pour le portefeuille proposé. Cela peut inclure des préférences personnelles, des limites de risque, des fonds disponibles, ou toute autre contrainte pouvant influencer les choix.

Conseil en gestion de patrimoine assisté par IA

Plusieurs entreprises utilisent des modèles IA pour fournir des recommandations sur les actions ou segments de marché susceptibles de bien performer ou de mal évoluer. Cela peut être formulé comme un problème de prédiction, où l’on anticipe la tendance, ou comme un problème de classification, domaine dans lequel l’IA excelle. Un conseiller peut utiliser ces services pour obtenir ce type d’informations.

Les considérations environnementales, sociales et de gouvernance (ESG) peuvent également influencer le résultat. Ces critères peuvent déjà être intégrés en tant qu’entrées dans le modèle IA utilisé pour l’analyse. Le conseiller et le client devront discuter des éléments spécifiques à inclure dans le modèle de portefeuille.

Architecture préconisée

Une vue conceptuelle simplifiée pourrait ressembler au diagramme ci-dessous. De nombreuses variantes sont possibles.

Une implémentation très courante serait basée sur un seul modèle de fondation GenAI réalisant tout ce qui est décrit ci-dessus, mais nous pensons qu’une partition des tâches est une meilleure approche.

Chaque modèle traiterait une partie du domaine problématique et pourrait donc être plus petit qu’un modèle unique et complet. Certains systèmes pourraient fonctionner en continu, d’autres à la demande.

Dans le diagramme, nous supposons que des modèles de génération prédictive IA servent de systèmes de conseil à d’autres modèles IA spécialisés. Ces modèles GenAI effectueraient la majorité de l’analyse de marché et seraient entraînés pour différents marchés et instruments financiers.

Ils consommeraient des flux de données et, combinés à d’autres données provenant du lac de données, produiraient des prévisions de marché pour la croissance et la détection d’anomalies, ce qui pourrait atténuer les risques. Nous ne sommes pas encore convaincus que ces systèmes aient atteint une maturité suffisante pour être totalement fiables, mais ils progressent.

Les résultats de chaque modèle de génération prédictive seraient enregistrés dans le lac de données. De plus, les modèles d’analyse pourraient envoyer des notifications à d’autres modèles pour exécuter des tâches spécifiques. Ces modèles pourraient fonctionner périodiquement ou en continu lorsque le marché d’intérêt est actif.

Les systèmes de trading autonomes pourraient utiliser les flux d’état issus des analyses de marché pour déclencher des transactions. Les systèmes de classification évalueraient périodiquement les actifs et conserveraient un historique de ces classifications dans le lac de données. Enfin, nous arrivons à l’Assistant Portfolio GenAI.

L’Assistant Portfolio serait le système de recommandation assisté par IA ayant accès aux données de marché actuelles et historiques. Le conseiller pourrait interagir avec l’assistant pour fournir le profil du client et demander des recommandations. Il est préférable que cela se fasse en présence du client. L’interaction du conseiller avec le client doit être capturée et enregistrée dans le lac de données comme entrée à l’analyse.

L’accès du conseiller aux systèmes IA se fait via une interface NLP, qui peut être basée sur du texte ou de la parole.

L’Assistant Portfolio répondrait au conseiller en utilisant les informations du modèle, du lac de données ou via des requêtes API vers les modèles d’analyse de marché. L’interface NLP offre un assistant puissant, mais d’après l’expérience, le conseiller doit savoir comment formuler ses questions pour obtenir des résultats utiles.

Sans cet intermédiaire humain, l’expérience d’interagir avec un système NLP pour un sujet aussi complexe peut être frustrante pour un novice. Les grands modèles linguistiques sont bien plus performants que toute technologie antérieure dans ce domaine, mais ils ne passeront probablement pas le test de Turing.

Le test de Turing consiste à faire en sorte qu’un humain ne puisse pas distinguer une machine d’un autre humain en se basant sur les réponses aux questions posées aux deux. Ces machines ne sont pas humaines et ne peuvent pas répondre exactement comme un humain. De nombreuses entreprises embauchent des personnes dont le seul rôle est d’interagir avec les LLM et systèmes GenAI en formulant des prompts pour obtenir de meilleures réponses.

Selon un rapport de Juniper Research de 2021, 40 % des clients bancaires mondiaux utiliseront des chatbots NLP pour leurs transactions d’ici 2025. Ajouter du NLP à toute application orientée client est souvent la première étape pour une entreprise. D’autres systèmes IA se concentrent sur l’automatisation des tâches courantes. La dernière approche a connu beaucoup de succès dans la gestion de la chaîne d’approvisionnement.

L’automatisation basée sur l’IA peut éliminer de nombreux processus manuels et rendre les flux de travail plus efficaces. Le NLP et l’automatisation des tâches peuvent bénéficier à presque toutes les industries. Le développement de l’IA pour l’analyse des marchés financiers est une tâche relativement difficile.

L’Université Cornell a développé un modèle GenAI appelé StockGPT. Voir “StockGPT : un modèle GenAI pour la prédiction et le trading d’actions” à

Conclusion

L’analyse des marchés financiers est quelque peu plus complexe que des applications comme la gestion de la chaîne d’approvisionnement ou même la banque. Il y a beaucoup plus de variables et de comportements complexes, en partie influencés par les chiffres du marché, la réglementation et les réponses émotionnelles des participants.

Une partie de cela peut être capturée par des statistiques pour réduire le risque, mais les prévisions pour les marchés financiers relèvent de problèmes algébriques où il y a trop de variables et pas assez d’équations. L’IA peut rechercher des motifs et anomalies en plus de faire simplement des calculs.

L’informatique quantique est une autre technologie à explorer. Elle montre déjà de la valeur dans certaines applications scientifiques. Elle a été suggérée pour la gestion des risques via des simulations de Monte Carlo dans un exemple financier.

Nous verrons ce que l’avenir nous réserve.