Depuis des décennies, le monde de la finance utilise des analyses avancées. Aujourd'hui, le secteur adopte l'IA, faisant de grands progrès en matière de service à la clientèle, d'efficacité opérationnelle et de résilience. La cohérence et la standardisation des cadres et des plateformes sont la clé du succès.  

Aujourd'hui, le secteur financier est confronté à des défis majeurs. La situation macroéconomique change et la croissance mondiale stagne, ce qui a un impact sur le remboursement des prêts. En outre, on attend du secteur qu'il se modernise. Les institutions financières doivent travailler plus efficacement, mieux servir leurs clients, atténuer les risques, s'attaquer à la criminalité financière, adopter la durabilité et respecter les règles. L'IA jouera un rôle important à cet égard.

Modernisation résiliente grâce à l'IA

L'IA est déjà utilisée dans la finance. Il suffit de penser aux chatbots interactifs, à l'analyse des documents ou à la détection des fraudes. De plus, il existe aujourd'hui de nouveaux types de risques systémiques auxquels la législation tente de répondre : la concentration du cloud, l'utilisation de l'IA ou le changement climatique.

En intégrant l'IA dans l'automatisation des processus, les entreprises peuvent gagner en efficacité et en résilience. Par exemple, grâce à l'IA dans l'automatisation pilotée par les événements, les institutions répondront aux exigences de portabilité des applications pour les technologies critiques de l'information. Il s'agit également d'une exigence de la loi DORA (Digital Operational Resilience Act) de l'Union européenne.

Du côté de l'infrastructure, l'accent est mis sur la modernisation des applications anciennes, y compris les systèmes centraux des banques. L'objectif : une structure de travail agile. Certaines plateformes mainframe serviront encore de base à certaines applications, tandis que d'autres applications seront transférées vers le cloud (ou au moins rendues "cloud-natives" au cas où un transfert vers le cloud s'avérerait nécessaire).

L'écriture ou le reformatage d'un logiciel demande cependant beaucoup de temps et d'efforts. C'est là qu'intervient l'IA générative, qui peut traduire les logiciels dans différents langages de programmation ou former les employés à l'aide d'assistants de codage. L'IA peut également contribuer à optimiser les applications là où elles sont déployées, en tenant compte de certains indicateurs clés de performance tels que la durabilité, l'efficacité opérationnelle et les coûts.

L'IA peut également être d'une grande aide dans les opérations quotidiennes et le contact avec les clients. À l'avenir, les assistants IA seront en mesure de répondre aux questions complexes des clients. En outre, l'intelligence artificielle peut rationaliser les rapports financiers grâce à l'agrégation et à l'analyse des données. Enfin, l'IA peut également contribuer à atténuer les chocs macroéconomiques, tels que le changement climatique, en acquérant de nouvelles connaissances grâce au big data.

Données synthétiques

Ceci dit, la rareté des données reste un problème et peut être due à des silos dans les organisations en raison de la protection des données, de la propriété intellectuelle et des exigences en matière de souveraineté. Heureusement, l'IA a aussi une réponse à ce problème, à savoir les "données synthétiques". Avec les données synthétiques, les sources de données existantes sont dupliquées et anonymisées afin de pouvoir être partagées. Grâce à l'IA, les données synthétiques peuvent ensuite être rendues plus robustes. Ces données fournissent parfois de meilleures informations pour de futurs scénarios que les données purement historiques.

Une bonne application des données synthétiques est, par exemple, la lutte contre la criminalité financière. Un modèle d'IA peut être formé sur des cas existants de crimes financiers afin de prédire leur récurrence. Cependant, il est beaucoup plus difficile pour ce modèle d'estimer les variations sur la base des informations disponibles. Avec l'IA, des millions de scénarios synthétiques peuvent être reproduits, ce qui rend la détection des fraudes potentiellement beaucoup plus robuste.

Transparence

Pour une plus grande précision et moins de biais, l'IA doit être transparente et explicable, ce que l'on appelle l'explicabilité dans l'IA (XAI). L'objectif de l'XAI est de développer des cadres dans lesquels la prise de décision avec l'IA devient claire et transparente. Ceci devrait renforcer la confiance dans les nouvelles technologies et améliorer les décisions.  

La loi européenne sur l'IA est l'une des premières initiatives visant à élaborer un cadre réglementaire clair pour les systèmes d'IA. Ce cadre est fondé sur le risque, les règles devenant plus strictes à mesure que le danger posé par l'IA s'accroît. Les systèmes d'IA à haut risque doivent répondre à des exigences rigoureuses, notamment en matière de documentation, de gestion des risques et d'auditabilité.

Le potentiel de l'IA est énorme, à condition de déployer les bonnes équipes, les bons processus et les bonnes solutions. Tout comme pour le cloud, une stratégie hybride est la bonne voie pour l'IA, en s'appuyant sur une plateforme commune équipée d'automatisation. La liberté et la flexibilité sont essentielles. Les équipes doivent pouvoir compter sur une expérience cohérente et centralisée lors de la formation, de la maintenance, de la mise à jour et du déploiement des modèles d'IA. 

Une bonne stratégie d'IA nécessite une approche holistique sans silos ni nombreux points de défaillance. En standardisant les tests et la validation, les règles de contrôle et de transparence peuvent être respectées et l'IA peut être déployée à grande échelle.

Par Richard Harmon, vice president et global head of financial services chez Red Hat