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

Anna Schoff – Diplômée d’un MSc en linguistique orale et en TAL, avec une expertise en deep learning, data science et machine learning. Ses centres d’intérêt incluent le déchiffrement neuronal de langues anciennes, la traduction automatique à faibles ressources et l’identification des langues. Elle dispose d’une vaste expérience en recherche en linguistique computationnelle, en IA et en TAL, à la fois dans le monde académique et dans l’industrie.

Bhushan Joshi – Responsable des compétences pour l’ISV bancaire, les marchés financiers et la gestion de patrimoine, avec une expérience approfondie de la banque digitale, des marchés de capitaux et de la transformation vers le cloud. Il a piloté la stratégie d’entreprise, le conseil et des déploiements de technologies 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 de The Open Group 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 dirigeants (C-suite) sur des transformations pilotées par l’IA dans la chaîne d’approvisionnement et les services financiers.

Raja Basu – Leader en gestion de produit et innovation, avec une expertise en IA, automatisation et durabilité dans les marchés financiers. Fort d’une solide expérience dans la transformation des technologies bancaires, il a piloté des projets mondiaux de conseil et de mise en œuvre aux États-Unis, au Canada, en Europe et en Asie. Actuellement doctorant à l’XLRI, il se concentre sur l’impact de l’IA sur les systèmes financiers et la durabilité.

Découvrez les meilleures actualités fintech et les événements !

Abonnez-vous à la newsletter de FinTech Weekly

Lue par des dirigeants chez JP Morgan, Coinbase, Blackrock, Klarna et plus encore

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

L’IA peut capter des schémas et des anomalies que les humains ratent généralement grâce à 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 mille milliards de connexions de synapses, a été qualifié de l’objet le plus complexe que nous connaissions n’importe où – la Terre, le système solaire, et au-delà.  L’IA peut renforcer l’analyse humaine grâce à sa capacité à traiter de nombreux détails à grande échelle, mais elle ne sait pas penser.

Dans des cours sur l’IA à Yale, il y a de nombreuses années, ils ont défini l’IA comme « l’étude des processus cognitifs au moyen de modèles computationnels ».  Cette définition s’applique encore aujourd’hui.  Souvent, les modèles computationnels qui en résultent sont utiles par eux-mêmes, et leurs capacités se sont améliorées : des systèmes experts et de petits réseaux de neurones artificiels aux techniques de deep learning utilisées pour construire les Large Language Models (LLMs) et les Foundation Models utilisés dans l’IA générative.  Les avancées matérielles ont rendu une grande partie de cela possible, et nous sommes certains qu’il y en aura davantage.

Revenons aux années 1990 : nous savions que l’absence de connaissances générales dans les systèmes d’IA constituait un facteur limitant significatif, et nous sommes maintenant capables de fournir cela dans de grands modèles d’IA.  La technologie IA initiale était limitée à des tâches très spécifiques, un peu comme des « idiots savants » : capables de faire une seule tâche très précisément, mais inutiles pour toute autre chose.

Cela dit, ils ont et peuvent encore fournir une valeur pour leurs tâches spécifiques, avec des coûts de calcul beaucoup plus faibles.  Pour des raisons de durabilité, ces technologies peuvent encore remplir leurs rôles dans le paysage de l’IA.

Les capacités de Traitement du Langage Naturel (TLN) et de Traitement de la Parole fournies par les LLM sont désormais capables de capturer peut-être 90 % du contenu d’un échange en langage naturel de manière exacte, ce qui est d’une très grande valeur pour l’interaction humain-machine.

À l’état de l’art actuel, les modèles utilisés pour le TLN sont exécutés à un coût computationnel très élevé (lire : une facture d’électricité 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 % et ne nécessite qu’un déjeuner.  Nous devrions utiliser la ressource appropriée au bon moment.

Plus récemment, avec des développements tels que DeepSeek, nous observons des optimisations obtenues en construisant des applications plus petites, spécifiques à un besoin, en utilisant les mêmes technologies que celles employées dans les modèles complets plus grands.  C’est un gagnant-gagnant : en fournissant une technologie IA robuste pour traiter un domaine de problème, tout en réduisant les coûts de calcul.  Par exemple, un système d’IA Fintech prenant en charge la gestion de patrimoine n’a pas besoin d’une formation en littérature anglaise.

Conseil en gestion de patrimoine assistée par l’IA

Prenons la gestion de patrimoine comme exemple d’application.

Un entretien client pour créer un profil client pourrait être piloté par des techniques IA de base telles qu’un arbre de décision ou un système expert.  Cependant, d’après notre expérience précédente avec des entretiens pilotés par des systèmes experts, un conseiller bien qualifié obtiendra de meilleurs résultats simplement grâce à une conversation.  Il n’y a pas de substitut aux personnes qui savent ce qu’elles font.  L’IA devrait assister, mais ne pas diriger.

Analyse de portefeuille

Si le client dispose d’un portefeuille actuel, cela doit être analysé, 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 secteurs spécifiques ?  Quel est le pronostic concernant la manière dont ils sont susceptibles de performer à l’avenir ?  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 sur ce que l’analyse devrait prendre en compte pour le portefeuille d’investissement proposé.  Elles peuvent 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 assistée par l’IA

Il existe plusieurs entreprises qui utilisent des modèles d’IA pour fournir des indications sur les actions ou segments de marché susceptibles de bien se comporter ou de mal se comporter.  C’est soit formulé comme un problème de prédiction, où le mouvement de la tendance peut être prédit, soit comme un problème de classification, domaine où l’IA excelle.  Un conseiller peut utiliser ces services existants pour fournir ce type d’information.

Les considérations Environnementales, Sociales et de Gouvernance (ESG) peuvent aussi influencer le résultat.  Elles peuvent déjà être incluses comme entrée dans le modèle d’IA utilisé pour réaliser l’analyse.  Le conseiller et le client devront discuter des éléments précis à inclure dans le modèle de portefeuille.

Architecture “paille”

Une vue conceptuelle en “paille” pourrait ressembler à ce qui suit, dans le diagramme ci-dessous. De nombreuses variantes sont possibles.

Une implémentation très courante reposerait sur un seul modèle de fondation GenAI faisant tout ce que nous décrivons ci-dessous, mais nous pensons que partitionner les tâches est une meilleure approche.

Chaque modèle s’attaquerait à une partie du domaine de problème et pourrait donc être plus petit qu’un modèle complet unique.  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 de Générative IA prédictive servant de systèmes de conseil à d’autres modèles d’IA spécifiques à un usage.  Ces modèles GenAI feraient la majeure partie de l’analyse de marché et seraient entraînés pour les différents marchés et instruments financiers.

Ils consommeraient des flux de données et, combinés à d’autres données provenant du data lake, produiraient des prédictions de marché pour la croissance et la détection d’anomalies, ce qui pourrait atténuer les risques.  Nous ne sommes pas convaincus que de tels systèmes se soient encore suffisamment mûris pour être fiables, mais ils avancent dans leur développement.

Les résultats de chaque modèle Predictive GenAI seraient enregistrés dans le data lake.  En plus, les modèles d’analyse pourraient envoyer des notifications à d’autres modèles pour exécuter des tâches spécifiques.  Ces modèles pourraient être lancés sur une base périodique, ou peut-être en continu pendant la période où le marché concerné est actif.

Les systèmes de trading autonomes pourraient utiliser les flux d’état issus des analyses de marché pour déclencher des trades.  Les systèmes de classification évalueraient périodiquement les actifs et conserveraient un historique continu des classifications d’actifs dans le data lake. Enfin, nous arrivons à l’assistant de portefeuille GenAI.

L’assistant de portefeuille serait le système de recommandation, adossé à l’IA, qui a accès aux données de marché courantes 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 avec le client présent.  L’interaction du conseiller avec le client doit être capturée et enregistrée dans le data lake comme entrée pour l’analyse.

L’accès du conseiller aux systèmes d’IA se fait via une interface TLN, qui pourrait être basée sur du texte ou sur la parole.

L’assistant de portefeuille répondrait au conseiller en utilisant l’information contenue dans le modèle, depuis le data lake, ou via des requêtes d’API vers les modèles d’analyse de marché. L’interface TLN fournit un assistant puissant, mais d’après l’expérience, le conseiller devra savoir comment formuler les questions pour obtenir des résultats utiles.

Sans cet intermédiaire humain, l’expérience d’interagir avec un système TLN pour un sujet aussi complexe peut être frustrante pour un novice. Les Large Language Models sont bien plus capables que toute technologie antérieure dans ce domaine, mais ils ne sont toujours probablement pas susceptibles de passer le test de Turing.

Un test de Turing exige qu’une personne ne puisse pas distinguer une machine d’un autre être 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 le ferait.  De nombreuses entreprises embauchent des personnes dont la fiche de poste consiste littéralement à interagir uniquement avec des LLM et des systèmes GenAI en formulant des prompts pour obtenir de meilleures réponses du modèle.

D’après un rapport de 2021 de Juniper research, 40 % des clients bancaires mondiaux utiliseront des chatbots TLN pour des transactions d’ici 2025.  Ajouter du TLN en amont de toute application orientée client est souvent là où une entreprise commence.  D’autres systèmes d’IA se concentrent sur l’automatisation des tâches courantes.  La seconde approche a très bien fonctionné pour les applications de Supply Chain.

L’automatisation basée sur l’IA peut éliminer de nombreux processus manuels et rendre les flux de travail plus efficaces.  Le TLN et l’automatisation des tâches peuvent bénéficier à quasiment toute application d’un secteur. Le développement d’IA pour l’analyse des marchés financiers est une tâche relativement difficile.

L’université Cornell a développé un modèle GenAI StockGPT. Voir « StockGPT: A GenAI Model for Stock Prediction and Trading » sur

Conclusion

L’analyse des marchés financiers est quelque peu plus complexe que des applications comme la Supply Chain, ou même la Banque.  Il existe bien plus de variables et de comportements complexes, influencés en partie par les chiffres du marché, les réglementations et les réactions émotionnelles des participants.

Une partie de cela peut être capturée à l’aide de statistiques pour réduire le risque, mais les prédictions pour les marchés financiers relèvent de la catégorie des problèmes d’algèbre où il y a trop de variables et pas assez d’équations.  L’IA peut rechercher des schémas et des anomalies en plus de simplement effectuer les calculs.

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

Nous verrons ce que l’avenir nous réserve.