Chercher l'ImageNet du secteur financier | Enregistrement en direct de Qifu Technology : Comment l'IA multimodale de crédit établit-elle les normes ?

Récemment, Qifu Technology, en collaboration avec des chercheurs de l’Université Fudan et de l’Université des Sciences et Technologies du Sud de la Chine, a lancé une discussion en direct sur le thème « Comment établir des normes pour l’IA multimodale dans le crédit ». La diffusion a analysé en profondeur le premier référentiel d’évaluation multimodal destiné au secteur du crédit, FCMBench-V1.0 — ce référentiel conçoit des tâches d’évaluation autour de la perception multimodale, du raisonnement et de la prise de décision, tout en open-sourçant des jeux de données et des outils d’évaluation, dans le but de créer une « règle » largement reconnue pour l’IA financière. La session, d’une durée d’une heure, a combiné les avancées académiques et la pratique industrielle, offrant aux institutions financières, aux universités et aux professionnels du secteur des références et des idées pour leur développement. Voici un résumé des points clés de cette diffusion.

Perspectives industrielles : FCMBench offre une norme unifiée pour mesurer les capacités des modèles d’IA financière

Yang Yehui, responsable de la multimodalité chez Qifu Technology, a d’abord analysé, du point de vue de la pratique industrielle, les défis du développement de l’IA financière ainsi que la conception et la logique centrale de FCMBench-V1.0. Il compare l’IA à un outil « pioche », tandis que des secteurs à barrières élevées comme la finance ou la santé sont des « terres fertiles » à fort potentiel de développement. La haute exigence en matière de confidentialité, de sécurité et de conformité dans la finance impose que la validation des capacités des modèles ne se fasse pas par auto-affirmation, mais par l’établissement d’un système d’évaluation objectif et unifié.

La naissance de FCMBench-V1.0 répond précisément à la confusion principale des institutions financières lors du choix de modèles. Yang souligne que, actuellement, différentes entreprises revendiquent des scores élevés pour leurs modèles sans standard de comparaison unifié, et que la performance peut chuter considérablement entre environnement de laboratoire et conditions réelles. La valeur centrale de FCMBench est d’être une « règle » unifiée pour mesurer la capacité des modèles, permettant de mettre tous les modèles sur un même point de départ et de tester leur performance en conditions réelles.

Concernant la conception de cette « règle », Yang a présenté trois principes fondamentaux : équité, scientificité et praticité. L’équité évite l’auto-affirmation, en établissant une base d’évaluation commune ; la scientificité repose sur une distribution de données, des tâches et une difficulté raisonnables permettant de différencier efficacement les algorithmes ; la praticité est essentielle, afin que la performance sur la référence puisse directement s’adapter aux scénarios réels.

Pour rendre l’évaluation plus réaliste, FCMBench simule plus d’une dizaine de perturbations de prise de vue, inclut des tâches de jugement de la légitimité des documents, de comparaison de plusieurs pièces d’identité, etc., afin de reproduire divers scénarios de risque dans le crédit. Par exemple, si un utilisateur déclare un revenu annuel supérieur à 50 000 yuan mais avec un taux de taxation inférieur à 10 %, ce risque évident est intégré dans FCMBench comme une tâche de raisonnement pour tester la capacité du modèle à identifier les risques et à détecter la fraude, garantissant ainsi la valeur pratique de l’évaluation.

Selon Yang, FCMBench n’est pas « fait pour faire », mais vise à soutenir le secteur et la recherche, en étant une ressource publique pour la finance. Son objectif est de lier profondément la capacité de l’IA à la valeur commerciale via une norme commune. Par ailleurs, FCMBench sert de pont entre la recherche académique sur les grands modèles financiers et leur application industrielle, en élargissant continuellement les tâches, types de données, langues et modalités pour couvrir tous les scénarios du crédit ; en même temps, il favorise la collaboration avec les universités pour résoudre des défis techniques, invite les banques et autres institutions financières à participer à la co-construction, enrichit les données et scénarios réels, et aspire à devenir une norme d’évaluation reconnue par l’industrie, voire une norme de groupe, pour la sélection et la coopération des modèles financiers.

Perspectives académiques : le « moment ImageNet » de l’IA financière approche

Si l’industrie s’intéresse à « comment utiliser la règle », le monde académique se concentre sur « pourquoi la règle fait défaut » et sur la création d’un véritable référentiel crédible.

Le professeur Chen Tao de l’Université Fudan aborde la question en retraçant l’histoire du développement de l’IA, en soulignant que : « Le développement des grands modèles d’IA dépend fortement de l’écosystème open source, mais dans la finance, il manque encore des jeux de données et des standards d’évaluation reconnus à l’échelle nationale et internationale. Sans une ‘règle’ unifiée, il est difficile pour les entreprises et la recherche de collaborer efficacement, ce qui limite fondamentalement l’émergence de grands modèles financiers. »

Il évoque le jalon qu’est ImageNet dans l’apprentissage profond. « Le dataset ImageNet a permis l’émergence de l’apprentissage profond et est devenu la référence d’évaluation unifiée en reconnaissance d’images, une étape clé pour faire progresser l’IA. » Selon lui, le secteur financier manque actuellement d’un tel dataset unifié et complet, ce qui freine la création d’un écosystème de développement collaboratif. Il est urgent de créer un « ImageNet » propre à la finance.

Concernant FCMBench-V1.0, Chen Tao le considère comme l’un des référentiels d’évaluation unifiés les plus importants et crédibles dans le domaine du crédit et du risque financier, en Chine comme à l’étranger. Par rapport à d’autres jeux de données dispersés, FCMBench-V1.0 est la première à réaliser une modalité unifiée, couvrant des tâches clés comme le crédit et la gestion des risques, conçues entièrement pour des scénarios réels, avec des caractéristiques innovantes de Qifu Technology. Cela en fait une étape importante pour la création d’un « ImageNet » propre à la finance, alliant exhaustivité et praticité.

Perspectives intégrant recherche, industrie et formation : les avantages concrets de l’implémentation de l’IA financière, FCMBench connecte besoins industriels et développement des talents

Le professeur Xu Yanwu de l’Université des Sciences et Technologies du Sud de la Chine explique, sous l’angle de l’intégration recherche-industrie-formation, la situation concrète de l’application de l’IA financière, ses avantages pour la mise en œuvre, et l’importance de FCMBench dans la formation des talents.

Il clarifie d’abord une idée reçue : « Beaucoup pensent que l’IA dans la finance ‘n’a pas une forte présence’, mais ce n’est pas vrai. L’IA participe déjà en profondeur à la tarification d’assurance, à l’évaluation d’actifs et au trading quantitatif, même si ces valeurs ne sont pas toujours visibles dans les produits grand public. »

Il souligne aussi que, comparée à la santé ou à d’autres secteurs à barrières élevées, la finance bénéficie d’un avantage évident en termes d’efficacité de déploiement, pouvant atteindre plusieurs dizaines voire centaines de fois plus rapide. Cette efficacité provient du fait que, dans le crédit, on peut rapidement tester et ajuster les modèles via des données historiques et des tests parallèles, avec des cycles courts ; alors que dans la santé, toute modification d’algorithme nécessite de refaire des validations longues et coûteuses, pouvant durer plusieurs années. La différence de coûts opérationnels est considérable.

Pour la création de jeux de données financiers, Xu a identifié trois éléments clés : valeur, exhaustivité et équité. Il insiste sur le fait que de bons jeux de données doivent d’abord répondre à des problématiques concrètes et innovantes, puis couvrir plusieurs dimensions d’application, et enfin être évalués de manière juste et transparente, en privilégiant l’intérêt public plutôt que des intérêts privés.

La sortie de FCMBench-V1.0 correspond parfaitement à ces trois critères, tout en jouant un rôle crucial dans la formation des talents financiers. Xu explique que FCMBench constitue un pont essentiel entre la formation des talents et les besoins du secteur, en permettant aux étudiants en IA ou en finance d’accéder à des scénarios industriels réels, renforçant leur employabilité, et en offrant aux étudiants en algorithmie des cas concrets d’application dans la finance, facilitant leur adaptation rapide aux exigences du secteur. Cela contribue à alimenter en talents de qualité le secteur financier et à renforcer la construction d’une équipe compétente.

Au cours de cette diffusion, les trois intervenants ont exploré en profondeur, sous différents angles, la construction de normes pour l’IA multimodale dans le crédit, permettant à l’industrie de mieux comprendre l’état actuel, les défis et les perspectives futures du développement de l’IA financière. Avec la poursuite de l’exploitation et de la co-construction de FCMBench-V1.0, ainsi que la participation accrue des institutions financières et des universités, le secteur financier pourrait progressivement créer un écosystème open source similaire à ImageNet, favorisant une intégration plus profonde de l’IA et des activités financières, et orientant le développement de l’IA financière vers la standardisation et la normalisation, pour une double impulsion à la fois technologique et industrielle.