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 – Responsable des compétences pour les ISV bancaires, marchés financiers et gestion de patrimoine, avec une grande expérience 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 dans la transformation technologique bancaire, il a dirigé des projets de conseil et de mise en œuvre à l’échelle mondiale aux États-Unis, 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 compléter l’analyse humaine par sa capacité à traiter de nombreux détails en volume, mais elle ne peut pas penser.

Lors de cours sur l’IA à Yale il y a plusieurs années, ils ont défini l’IA comme “l’étude des processus cognitifs par le biais de modèles computationnels”. Cette définition reste valable. Souvent, les modèles computationnels qui en résultent 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 de langage (LLMs) et les modèles fondamentaux utilisés dans l’IA générative.

Les avancées matérielles ont rendu cela possible, et nous sommes convaincus que d’autres innovations suivront.

Dans les années 1990, nous savions que le manque de connaissances générales dans les systèmes IA était un facteur limitant majeur, et nous pouvons désormais l’intégrer dans de grands modèles d’IA. La technologie IA initiale était limitée à des tâches très spécifiques, un peu comme des savants fous – capables d’exceller dans une tâche précise, mais inutiles pour tout autre.

Cela dit, ils ont et peuvent encore apporter une valeur significative 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 simple 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 l’IA

Prenons la gestion de patrimoine comme exemple d’application.

Un entretien client pour créer un profil peut être piloté par des techniques d’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, celui-ci doit être analysé, et l’IA peut aussi aider. Comment les investissements ont-ils performé 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 pour l’analyse du portefeuille proposé. Celles-ci peuvent 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 l’IA

Plusieurs entreprises utilisent des modèles d’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 d’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 prédictifs génératifs d’IA servent de systèmes de conseil à d’autres modèles d’IA spécialisés. Ces modèles GenAI effectueraient la majorité de l’analyse de marché et seraient entraînés pour divers 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 prédictif GenAI 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.

Des 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 de portefeuille GenAI.

L’Assistant de portefeuille serait le système de recommandation assisté par IA, ayant accès aux données de marché actuelles et à l’historique. 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 enregistrée dans le lac de données comme entrée à l’analyse.

L’accès du conseiller aux systèmes d’IA se fait via une interface NLP, qui peut être textuelle ou vocale.

L’Assistant de portefeuille 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’interaction avec un système NLP sur un sujet aussi complexe peut être frustrante pour un novice. Les grands modèles de langage 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 leurs réponses. 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 2021 de Juniper Research, 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 d’IA se concentrent sur l’automatisation des tâches courantes. La dernière approche a rencontré 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 réactions 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. Il a été suggéré de l’utiliser pour la gestion des risques via des simulations de Monte Carlo dans un exemple financier.

Nous verrons ce que l’avenir nous réserve.