Big data & I.A.

Data science : Le machine learning au service de la banque d’investissement

Par
FineDigit
le
9/2/2019

Les Managers du secteur bancaire et financier ont souvent tendance à résumer la Data Science à quelques concepts en vogue : « Chatbot », « Google Assistant » ou « Reconnaissance faciale », quand la Data Science est avant tout un outil prédictif.

Les Managers du secteur bancaire et financier ont souvent tendance à résumer la Data Science à quelques concepts en vogue : « Chatbot », « Google Assistant » ou « Reconnaissance faciale »,  quand la Data Science est avant tout un outil prédictif. Nous pouvons aujourd’hui aisément considérer que la “Data Science” est à ce jour l’unique science, qui permette de prédire sur un futur proche des tendances, des résultats et de détecter des anomalies sur une variété infinie de données. Aujourd’hui, nous savons tous que la “data science” permet d’isoler et de résoudre beaucoup d’anomalies parmi lesquelles les problématiques de fraudes, ce qui évidemment apparait fondamental dans le secteur bancaire.

Il nous appartient aujourd’hui, avant de parler de révolution par l’IA, de bien prendre conscience de ce qu’il est possible de faire de manière vertueuse grâce à l’IA. Puis de former le personnel en interne à cette nouvelle donne, mais aussi de sensibiliser tous les acteurs du secteur de la finance de marché aux opportunités que l’IA contribue à créer aussi bien pour les banques elles mêmes que pour les collaborateurs et consultants, que ce soit en terme d’efficacité, mais également en terme de bien être au travail.

Prédire les anomalies avant la livraison

Aujourd’hui, un certain nombre de règles automatiques sont appliquées pour détecter les anomalies et les éventuelles fraudes. Ces règles sont connues de tous et ont été établies à la suite d’incidents précédemment identifiés sur d’autres projets. Cependant, dès lors qu’un nouveau projet de développement débute, nous sommes tous conscient qu’il fera apparaitre de nouvelles anomalies, aujourd’hui sans l’intelligence artificielle et la data science, nous ne pouvons ni les anticiper, ni en anticiper le nombre ou leurs conséquences.

Imaginons une seconde que nous souhaitions lancer un nouveau projet “from scratch” jusqu’à son implémentation, si nous ne connaissons pas les anomalies induites par ce nouveau projet, il sera  impossible de les rectifier avant livraison, elles seront malheureusement connues seulement ultérieurement, ce qui peut avoir pour conséquence de retarder la livraison définitive du projet et donc sa mise en oeuvre.

Détecter les sources d’anomalies à une vitesse inaccessible à l’homme

L’uns des avantages induit par le Machine Learning est avant tout de pouvoir faire ces propres analyses, de manière autonome serait-on tenter de dire, et ainsi de faire remonter extrêmement rapidement les “outliers” (valeurs aberrantes). En ce sens, “la Machine” va permettre de remonter diverses valeurs linéaires pour lesquelles, il existe une anomalie. Un contrôle humain reste évidemment indispensable pour valider si il y a effectivement erreur, anomalie, ou risque de fraude. Le “machine learning” va permettre d’enregistrer notre réponse, et la répliquer vers les toutes les anomalies suivantes. Ainsi “la Machine” va apprendre d’elle même et mettre (toujours d’elle même) en corrélation les anomalies précédemment répertoriées avec les nouvelles anomalies trouvées. En ce sens, “la Machine” est à même de détecter facilement les anomalies non encore détectées par l’homme avec un potentiel d’erreur proche du néant.

Si l’homme était en mesure de détecter toutes ces anomalies par lui même, il n’y aurait jamais de défauts dans nos systèmes d’information. C’est bien l’un des facteurs qui valide l’efficience du “Machine Learning” qui permet de détecter avec une précision ultime et dans des délais extrêmement raccourci  un ensemble d’anomalies forcément invisibles pour l’homme.

Le “machine learning” est bien au service du collaborateur et du consultant

“Une fois assimilée l’utilité du Machine Learning, les entreprises du secteur bancaire et financier doivent comprendre qu’il ne constitue pas une menace pour l’homme, mais bel bien un complément à son activité, qui reste indispensable. Effectivement dans le secteur bancaire et souvent dans les systèmes d’information, un trop grand nombre de salariés reproduisent aujourd’hui des tâches redondantes en peuvent en venir à perdre leur motivation” avance Frédéric du Chayla fondateur de FineDigit. Si le Machine Learning leur permet d’économiser du temps pour avancer sur d’autres tâches et ainsi rendre le travail moins rébarbatif, il faut le faire. “Cette mise en œuvre sera bénéfique pour le salarié comme pour l’entreprise” conclut Frédéric du Chayla.

Si le “Machine Learning” se développe dans les banques, la plupart des collaborateurs pourront participer de manière encore plus vertueuse à la croissance de l’entreprise. Les salariés et consultants seraient à même de se concentrer sur des taches d’innovations et apporter plus de valeur ajoutée à l’entreprise. En offrant la possibilité aux collaborateurs et consultants de faire moins de RTB (Rank The Bank) et plus de CTB (Change The Bank), la banque garantit à ces collaborateurs un niveau de bien être plus important au sein de leur entreprise et peut ainsi fidéliser les meilleurs éléments. de conserver leur personnel.