La FinTech et l'IA propulsent la prochaine vague d'innovation

Anna Schoff – Diplômée en MSc en parole et NLP avec une expertise en apprentissage profond, science des données et apprentissage automatique. Ses intérêts de recherche incluent le déchiffrement neuronal 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 monde académique et industriel.

Bhushan Joshi – Leader de compétence pour les ISV bancaires, marchés financiers, et gestion de patrimoine avec une expérience approfondie dans la banque numérique, les marchés de capitaux, et la 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 supérieurs sur les transformations pilotées par l’IA dans la chaîne d’approvisionnement et les services financiers.

Raja Basu – Un leader en gestion de produits et innovation avec une expertise en IA, automatisation, et durabilité dans les marchés financiers. Fort d’un solide parcours en transformation technologique bancaire, il a dirigé des projets de conseil et de mise en œuvre mondiaux aux États-Unis, au Canada, en Europe, et en Asie. Actuellement chercheur doctoral 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 cadres chez JP Morgan, Coinbase, Blackrock, Klarna et plus encore

Le développement de la technologie IA pour la FinTech croît avec un grand potentiel, mais la croissance pourrait être plus lente que dans d’autres applications en raison de la complexité du problème.

L’IA peut capturer des motifs et anomalies que les humains manquent généralement en raison de la capacité des systèmes d’IA à consommer de très grandes quantités de données sous de nombreuses formes structurées et non structurées.

Cependant, le cerveau humain avec plus de 600 trillions de connexions synaptiques a été appelé l’objet le plus complexe que nous connaissions – la Terre, 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 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 ont progressé en capacité, passant des systèmes experts et petits réseaux neuronaux artificiels aux techniques d’apprentissage profond 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 sûrs qu’il y en aura encore plus.

Dans les années 1990, nous savions que le manque de connaissances générales dans les systèmes IA était un facteur limitant important, et nous pouvons maintenant fournir cela dans de grands modèles d’IA.  La technologie IA initiale était limitée à des tâches très spécifiques, un peu comme des savants idiots – capables de faire une tâche très spécifique bien, mais inutiles pour tout autre.

Cela dit, ils ont et peuvent encore apporter de la valeur à leurs tâches spécifiques avec des coûts informatiques bien moindres.  Pour des raisons de durabilité, ces technologies peuvent toujours remplir leurs rôles dans le paysage de l’IA.

Les capacités de Traitement du Langage Naturel (NLP) et de traitement de la parole fournies par les LLMs sont désormais capables de capturer peut-être 90 % du contenu d’un échange en langage naturel avec une grande précision, ce qui est d’une très haute valeur pour l’interaction homme-machine.

Dans l’état actuel de l’art, les modèles utilisés pour le NLP sont exécutés à un coût computationnel très élevé (lire facture électrique très élevée) ce qui va à l’encontre des considérations de durabilité.  Gardez à l’esprit qu’un bibliothécaire expérimenté ou un professionnel similaire peut fournir des résultats à 100 % précis et ne nécessite qu’un déjeuner.  Nous devons 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 en utilisant les mêmes technologies que celles des modèles plus vastes et complets.  C’est une situation gagnant-gagnant en fournissant une technologie IA robuste pour traiter un domaine problématique tout en réduisant les coûts informatiques.  Par exemple, un système IA fintech supportant la gestion de patrimoine n’a pas besoin d’un background en littérature anglaise.

Conseil en gestion de patrimoine assisté par IA

Considérons la gestion de patrimoine comme exemple d’application.

Une interview client pour créer un profil client pourrait être pilotée par des techniques IA de base telles qu’un arbre de décision ou un système expert.  Cependant, d’après notre expérience précédente avec certains entretiens pilotés par des systèmes experts, un conseiller bien qualifié obtiendra de meilleurs résultats simplement par une conversation.  Il n’y a pas de substitut aux personnes qui savent ce qu’elles font.  L’IA doit aider mais pas conduire.

Analyse de portefeuille

Si le client possède un portefeuille actuel, cela nécessite une analyse, et l’IA peut aussi aider ici.  Comment les investissements ont-ils performé au fil du temps ?  Le client a-t-il tendance à se concentrer sur des industries spécifiques ? Quel est le pronostic quant à leur performance future ?  Quelle est l’historique des transactions du client ?

Sur la base du profil client et de l’analyse du portefeuille, le conseiller peut introduire des limites spécifiques quant à ce que l’analyse doit considérer pour le portefeuille proposé.  Cela peut inclure des préférences personnelles, des limites de risque, des limites de fonds disponibles, et toute autre considération pouvant contraindre les choix.

Conseil en gestion de patrimoine assisté par IA

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

Les considérations Environnement, Social, et Gouvernance (ESG) peuvent également influencer le résultat.  Celles-ci peuvent déjà être intégrées en tant qu’entrées dans le modèle IA utilisé pour l’analyse.  Le conseiller et le client devront discuter des détails à inclure dans le modèle de portefeuille.

Architecture de type strawman

Une vue conceptuelle de type strawman pourrait ressembler au diagramme ci-dessous. De nombreuses variations sont possibles.

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

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

Dans le diagramme, nous supposons qu’il y aurait des modèles d’IA générative prédictive servant de systèmes de conseil à d’autres modèles d’IA spécifiques à un but.  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 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 convaincus que ces systèmes aient encore atteint une maturité suffisante pour être fiables, mais ils progressent dans leur développement.

Les résultats de chaque modèle GenAI prédictif seraient enregistrés dans le lac de données.  De plus, les modèles d’analyse pourraient envoyer des notifications à d’autres modèles pour effectuer des tâches spécifiques.  Ces modèles pourraient être exécutés périodiquement ou éventuellement en continu pendant la période où 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 en continu des 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 qui a 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.  Cela serait idéalement fait 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 dans les modèles d’analyse de marché. L’interface NLP offre un assistant puissant mais, d’après l’expérience, le conseiller devra savoir comment poser les 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 le novice. Les grands modèles de langage sont bien plus capables que toute technologie antérieure dans ce domaine, mais ils ne sont pas encore susceptibles de passer le test de Turing.

Un test de Turing exige qu’un humain ne puisse pas distinguer une machine d’un autre humain en utilisant 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 la tâche est littéralement d’interagir avec des LLM et des systèmes GenAI via la rédaction de prompts pour obtenir de meilleures réponses du modèle.

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 devant toute application destinée au client est souvent le point de départ d’une entreprise.  D’autres systèmes IA se concentrent sur l’automatisation des tâches courantes.  La dernière a rencontré beaucoup de succès dans les applications de 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. La recherche en IA pour l’analyse des marchés financiers est une tâche relativement difficile.

Cornell University a développé un modèle GenAI 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 telles que la chaîne d’approvisionnement ou même la banque.  Il y a beaucoup plus de variables et de comportements complexes, en partie dictés par les chiffres du marché, la réglementation, et les réponses émotionnelles des participants.

Une partie de cela peut être capturée à l’aide de 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 les calculs.

L’informatique quantique est une autre technologie qu’il serait intéressant d’explorer.  Elle montre déjà de la valeur dans certaines applications scientifiques. Il a été suggéré de l’utiliser dans la gestion des risques via des simulations de Monte Carlo pour un exemple financier.

Nous verrons ce que l’avenir nous réserve.