L'IA dans le secteur bancaire

L'évolution de l'intelligence artificielle (IA) et de l'apprentissage automatique (AA) dans le secteur bancaire promet d'améliorer le service clientèle et l'efficacité opérationnelle. Basés sur l'IA, les services et conseils destinés aux clients seront plus perfectionnés et pourront répondre à des situations plus complexes.

L'IA permettra également de mieux prévenir la criminalité financière via la détection avancée des activités délictueuses, et de prendre de meilleures décisions en matière d'octroi de prêts grâce à une modélisation plus élaborée. De plus, en automatisant davantage de tâches courantes, telles que la saisie des données, l'IA contribuera à la rationalisation des processus de back-office.

Découvrir les ressources Red Hat pour le secteur bancaire

L'adoption de l'IA dans le secteur bancaire soulève toutefois de nombreuses difficultés, notamment en matière de produits, de données, de conformité, d'exploitation ainsi que d'acquisition et de formation des talents.

Cet article explore l'avenir possible d'un secteur bancaire basé sur l'IA et l'AA, les défis qui se posent et les capacités nécessaires pour résoudre les problèmes.

En savoir plus sur l'IA d'entreprise

Avec l'IA, les banques peuvent modifier radicalement leur fonctionnement. Les technologies d'IA actuelles et futures pourraient transformer les quatre principaux domaines du secteur bancaire.

L'IA dans le marketing et la vente

• Acquisition de clients : l'amélioration du repérage de clients potentiels avec un ciblage plus efficace et des analyses prédictives pourrait accélérer l'acquisition de clients.
• Intégration des clients : dans les scénarios complexes, l'automatisation complète du processus d'intégration de nouveaux clients (particuliers ou professionnels) pourrait simplifier et accélérer son exécution.
• Fidélité des clients : avec un accès à des produits et services personnalisés, les clients pourraient être plus fidèles et satisfaits.

L'IA dans l'exploitation et les services

• Conseils : les conseils financiers peuvent être plus intelligents et mieux s'adapter aux changements de conditions.
• Traitement : il est possible d'accélérer la gestion des exceptions afin de réduire les temps d'attente et d'améliorer l'efficacité opérationnelle.
• Assistance : en cas de requêtes difficiles, les assistants basés sur l'IA pourraient faire preuve d'une plus grande efficacité.

En savoir plus sur la mise en œuvre de l'IA

L'IA dans la gestion et l'évaluation des risques

• Modélisation : dans le cadre de l'analyse de grands ensembles de données, la modélisation des risques dans le secteur bancaire pourrait permettre de prédire et limiter les risques financiers avec plus de précision, de résilience et de réactivité.
• Recouvrement des dettes : il serait possible d'optimiser les stratégies de recouvrement des dettes avec une meilleure analyse et une approche efficace de remboursement.
• Prévention de la criminalité financière : l'IA pourrait mieux détecter les activités de criminalité financière grâce à l'utilisation de la reconnaissance de formes pour détecter les transactions suspectes et réduire le nombre de faux positifs.

L'IA dans la finance et la comptabilité

• Création de rapports : l'automatisation de la compilation et de l'analyse des données pourrait améliorer le délai de création des rapports et leur précision. En outre, si le processus de création de rapports était géré par des agents IA, moins de personnes auraient besoin d'accéder aux données sensibles.

Pour s'adapter à l'IA, les banques doivent non seulement réaliser des ajustements techniques, mais aussi faire évoluer leurs pratiques et les attentes de leurs clients. Il leur faut reconnaître les défis qui peuvent se présenter et se préparer à les relever si elles veulent exploiter davantage ces technologies.

Produit

• Adoption côté client : il peut s'avérer difficile de convaincre les clients du secteur bancaire d'utiliser des services basés sur l'IA, car certains s'en méfient. La transparence et l'explicabilité sont donc des conditions fondamentales.

Données

• Qualité : dans le secteur bancaire, l'IA a besoin de données de haute qualité. L'utilisation de données éparpillées, incomplètes ou de mauvaise qualité peut réduire l'efficacité des modèles.
• Systèmes existants : de nombreuses banques utilisent des systèmes d'anciennes générations, peu compatibles avec les technologies d'IA modernes. L'intégration de l'IA dans ces systèmes peut s'avérer coûteuse, longue et complexe.

Conformité

• Explicabilité : en raison de la complexité des algorithmes d'IA basés sur l'apprentissage profond, il n'est pas toujours simple d'expliquer les décisions prises par l'IA. C'est un problème majeur auquel s'intéressent les autorités de réglementation, en particulier dans les secteurs où la transparence est capitale.
• Confidentialité : parce que les institutions bancaires gèrent des données client sensibles, les systèmes d'IA doivent garantir la confidentialité et la sécurité des informations échangées. Ils doivent notamment empêcher toute corruption des données, l'une des principales préoccupations du secteur financier.
• Utilisation responsable : dans des domaines comme le profilage des clients ou l'octroi de prêts, l'utilisation de l'IA peut soulever des questions morales en matière d'équité, de discrimination et de confidentialité. Tant qu'elles existent, ces préoccupations gênent l'adoption de l'IA.

Infrastructure et exploitation

• Évolutivité : l'adoption de l'IA à l'échelle d'une banque, notamment au niveau des applications métier et de l'exploitation, représente un défi de taille, surtout face au rythme de plus en plus rapide de l'évolution du secteur.
• Coût : les frais initiaux nécessaires pour investir dans l'IA et assurer son bon fonctionnement au sein des services bancaires peuvent être élevés. Sans preuve concrète d'un retour sur investissement positif, les entreprises peuvent hésiter à se lancer.

Équipes

• Acquisition de talents : les banques font face à une pénurie de main-d'œuvre compétente à la fois dans leur domaine et en science des données.
• Adoption au sein du personnel : le rejet de l'IA provient souvent de la crainte de se faire remplacer ou de perdre son emploi ainsi que d'une méconnaissance des avantages de cette technologie.

Pour réussir le déploiement des charges de travail d'IA à grande échelle, toutes les variables doivent être efficacement coordonnées. Plus précisément, les entreprises ont besoin de serveurs d'inférence capables de prendre en charge des modèles d'IA plus grands (tels que des LLM) et des fonctionnalités d'inférence plus complexes.

Voici quelques outils d'IA qui optimisent l'utilisation des ressources pour accélérer la mise à l'échelle : 

• llm-d : les instructions génératives des grands modèles de langage (LLM) peuvent s'avérer complexes et hétérogènes. Elles nécessitent, en général, d'importantes ressources de calcul et de stockage pour le traitement de gros volumes de données. Un framework d'IA Open Source comme llm-d permet aux équipes de développement d'utiliser des techniques telles que l'inférence distribuée pour répondre aux exigences croissantes des grands modèles de raisonnement sophistiqués (comme les LLM).
• Inférence distribuée : cette approche permet aux modèles d'IA de traiter les charges de travail plus efficacement en répartissant les tâches liées à l'inférence entre plusieurs équipements interconnectés. Les tâches d'inférence sont ainsi allégées.  
• vLLM : sigle anglais de virtual Large Language Model, ou grand modèle de langage virtuel, vLLM est une bibliothèque de code Open Source gérée par la communauté vLLM. Ce framework améliore l'efficacité des calculs des grands modèles de langage (LLM) à grande échelle.

Red Hat AI intègre ces outils et fonctionnalités pour aider ses clients à utiliser l'IA à grande échelle.

Découvrir Red Hat AI

Les banques ont besoin de certaines fonctionnalités essentielles pour utiliser efficacement l'IA.

Les aspects techniques, comme l'entraînement et la gestion des données, comptent autant que les facteurs organisationnels tels que la gouvernance et l'acquisition des talents. Ces capacités clés sont reprises ci-dessous, avec la marche à suivre pour mettre en œuvre l'IA efficacement et en tirer parti. La compréhension et le développement de ces capacités peuvent avoir de fortes répercussions sur l'efficacité du déploiement de l'IA à l'échelle d'une banque.

Entraînement et réglage

Pour être efficace dans le secteur bancaire, l'IA nécessite des modèles de fondation robustes et de quoi en développer de nouveaux. Un référentiel de modèles de fondation accessible et modifiable selon les besoins s'avère donc indispensable. En outre, l'environnement d'exploitation dans lequel ces modèles sont entraînés doit être rapidement disponible et facilement supprimable. Les modèles d'IA pourront ainsi être entraînés et ajustés efficacement, en suivant l'évolution des données et des conditions du marché.

Ce niveau d'agilité en matière d'entraînement et d'ajustement des modèles d'IA permet aux banques de conserver un avantage concurrentiel et de s'adapter à l'évolution des besoins des clients et de la réglementation.

Données

Dans le secteur bancaire, l'IA demande des mécanismes efficaces pour l'accès aux données, leur nettoyage et leur stockage. Il faut pouvoir accéder directement au magasin de données, avec des autorisations appropriées pour garantir la sécurité et la confidentialité des informations. L'accès à des données de qualité et nettoyées est déterminant pour entraîner des modèles d'IA précis et fiables.

Les data scientists ont toujours rencontré des problèmes de disponibilité des données. Les banques doivent trouver l'équilibre entre l'analyse traditionnelle d'un entrepôt de données et la flexibilité des data lakes afin de répondre aux différents besoins d'analyse. Cette approche permet d'analyser les données structurées et non structurées, ce qui est essentiel pour développer des applications d'IA complètes dans le secteur bancaire.

Gouvernance

La gouvernance de l'IA s'appuie sur deux piliers dans le secteur bancaire : la gestion des données et la définition claire des sources de données ainsi que de l'origine des modèles. Dans ce cadre, la manière dont les données sont recueillies et utilisées pour entraîner les modèles d'IA doit rester transparente. De plus, il est important de répertorier des faits à propos des modèles pour assurer l'équité, la conformité et l'explicabilité, en particulier dans un secteur aussi réglementé que celui des banques.

Autre fonctionnalité fondamentale : la surveillance des biais et de la dérive dans les modèles, qui s'inscrit dans la gestion des risques liés aux modèles. Les banques doivent continuellement évaluer et ajuster leurs modèles d'IA pour éviter la production d'informations erronées ou biaisées. Il est également nécessaire d'organiser des audits réguliers et de rendre des comptes aux autorités de réglementation pour s'assurer que l'IA est utilisée de manière conforme et transparente.

Exploitation

Les pratiques MLOps (Machine Learning Operations) doivent faire partie intégrante de l'exploitation de l'IA dans le secteur bancaire. Elles comprennent la gestion et l'amélioration continue des modèles d'IA, permettant de préserver l'efficacité et la précision des modèles au fil du temps. Il s'agit notamment de déployer, de surveiller et d'assurer la maintenance de ces modèles de manière efficace et évolutive.

Par ailleurs, le MLOps favorise la collaboration entre diverses équipes (science des données, exploitation informatique, etc.) lors du développement de l'IA. Cette collaboration prouve qu'en plus d'être adaptés au niveau technique, les modèles d'IA sont en adéquation avec les objectifs métier et les normes de conformité des banques.

Distribution

Dans le secteur bancaire, il est essentiel de pouvoir intégrer l'IA aux applications pour fournir des services basés sur l'IA. Il convient donc d'associer des modèles d'IA aux applications bancaires existantes afin d'améliorer l'expérience client et l'efficacité opérationnelle. Par exemple, l'intégration de l'IA aux applications de service clientèle peut permettre d'offrir un service plus efficace et personnalisé.

Le déploiement d'une architecture de microservices permet d'accélérer le développement, de réduire le délai de mise sur le marché et de diminuer les coûts. Avec les microservices, les applications peuvent être développées de façon modulaire, ce qui facilite l'intégration de l'IA et la mise à jour des services dès que le marché évolue ou qu'une nouvelle exigence réglementaire apparaît.

Adaptabilité

Les technologies d'IA dans le secteur bancaire doivent être adaptables et suivre le rythme des avancées rapides dont les communautés Open Source sont souvent à l'origine. Pour préserver leur avantage concurrentiel, les banques doivent pouvoir intégrer rapidement de nouvelles technologies, de nouveaux partenaires et de nouveaux paquets logiciels.

Un tel niveau d'adaptabilité implique également que les systèmes d'IA bancaires doivent être conçus de manière à s'adapter aux intégrations futures. À mesure que l'IA évolue, les banques doivent pouvoir adopter de nouvelles méthodes et technologies pour continuer à améliorer leurs services et leurs processus d'exploitation. Il leur faut donc une plateforme flexible ainsi qu'une culture organisationnelle qui favorise l'apprentissage et l'adaptation en continu.

Pour réussir l'intégration de l'IA dans les services bancaires, les banques doivent maîtriser toutes ces capacités essentielles ainsi que disposer des partenaires et des outils qui leur faciliteront la tâche. C'est pourquoi nous proposons des solutions spécifiquement conçues pour les besoins uniques de l'IA dans le secteur bancaire.

Red Hat AI est une plateforme de produits et de services qui permettent aux entreprises d'avancer dans le déploiement de l'IA, qu'elles soient tout au début du processus ou déjà prêtes à évoluer. Cette offre répond aux besoins en matière d'IA prédictive et générative et convient aux cas d'utilisation propres à chaque entreprise.

Red Hat AI donne accès à la solution Red Hat® AI Inference Server pour optimiser l'inférence des modèles dans le cloud hybride et effectuer des déploiements plus rapides et plus rentables. Basé sur vLLM, ce serveur d'inférence optimise l'utilisation des GPU et diminue les délais de réponse.

En savoir plus sur Red Hat AI Inference Server

Red Hat AI Inference Server comprend le référentiel Red Hat AI, une collection de modèles tiers validés et optimisés, qui favorise la flexibilité des modèles et la cohérence entre les équipes. Grâce à ce référentiel de modèles tiers, les entreprises peuvent réduire le délai de mise sur le marché et éliminer les obstacles financiers qui freinent l'adoption de l'IA. 

En savoir plus sur les modèles validés par Red Hat AI