Avant d’entrer dans les spécificités des MLOps, examinons les domaines clés dans lesquels l’apprentissage automatique est appliqué dans le secteur financier. Notre rapport 2021 a révélé les principales catégories dans lesquelles les entreprises mettent en œuvre le ML, mais à quoi cela ressemble-t-il réellement? Voici cinq façons clés dont les institutions financières innovent avec l’IA et le ML dans leurs activités.

1. Solvabilité

Comme mentionné précédemment, l’automatisation des processus est un cas d’utilisation clé pour l’IA et le ML.

La solvabilité est une utilisation naturelle et évidente de l’apprentissage automatique pour l’automatisation des processus. Pendant des décennies, les banques ont utilisé des modèles de régression logistique très rudimentaires avec des intrants tels que les antécédents de paiement de 30-60-90 jours pour déterminer la probabilité de défaut ou les conditions de paiement et d’intérêt d’un prêt.

Le modèle logistique peut être problématique car il peut pénaliser les individus dont les antécédents de crédit sont plus courts ou ceux qui travaillent en dehors des systèmes bancaires traditionnels. Les banques manquent également de sources de revenus supplémentaires provenant d’emprunteurs rejetés qui seraient probablement en mesure de payer.

Avec le nombre croissant de points de données alternatifs sur les individus liés à leurs antécédents financiers (tels que les paiements de loyer et de factures de services publics ou les actions sur les réseaux sociaux), les prêteurs sont en mesure d’utiliser des modèles plus avancés pour prendre des décisions plus personnalisées en matière de solvabilité.

Malgré l’optimisme autour d’une équité accrue pour les clients et d’une base de clients plus large pour les banques, il existe encore une certaine appréhension quant à l’utilisation d’algorithmes de boîte noire pour prendre des décisions de prêt. Les règlements, y compris le Fair Credit Reporting Act, obligent les créanciers à donner aux individus des raisons spécifiques pour un résultat.

Cependant, lorsqu’ils sont bien mis en œuvre, les algorithmes de détermination de la solvabilité peuvent offrir un énorme avantage aux institutions financières, tout en améliorant simultanément l’expérience client.

2. Détecter et prévenir les délits financiers

L’apprentissage automatique en finance permet de détecter et de réduire l’incidence des délits financiers, tels que la fraude en ligne et le blanchiment d’argent. La prévention de la criminalité financière est une autre application de l’apprentissage automatique pour l’automatisation des processus, et une demande croissante. Avec l’introduction d’algorithmes d’apprentissage automatique, les organisations peuvent désormais améliorer la détection des délits financiers avec des modèles sophistiqués au lieu de processus manuels, tout en réduisant la latence de traitement pour détecter les problèmes plus rapidement. Les principales méthodes comprennent le regroupement et classification.

Comment ça marche? Prenons la détection des fraudes comme exemple clé.

La plupart des modèles de prévention de la fraude reposent sur un ensemble de règles créées par l’homme qui aboutissent à une classification binaire de «fraude» ou «pas de fraude». Le problème avec ces modèles est qu’ils peuvent créer un nombre élevé de faux positifs. Ce n’est pas bon pour les affaires lorsque les clients reçoivent un nombre anormalement élevé de notifications de fraude inutiles. La confiance est perdue et la fraude réelle peut continuer à se poursuivre sans être détectée.

Les algorithmes de clustering et de classification d’apprentissage automatique peuvent aider à réduire le problème des faux positifs. Ils modifient continuellement le profil d’un client à chaque fois qu’ils entreprennent une nouvelle action. Avec ces multiples points de données, la machine peut adopter une approche nuancée pour déterminer ce qui est un comportement normal et anormal.

En tirant parti d’une stratégie d’opérations d’apprentissage automatique moderne (MLOps), ils peuvent passer du traitement par lots traditionnel, qui peut prendre des jours ou des semaines, à la notation en temps réel pour obtenir des résultats en quelques secondes.

3. Trading algorithmique

Simplement défini, le trading algorithmique est un trading automatisé utilisant un ensemble défini de règles. Un exemple de base serait un commerçant mettant en place des règles d’achat et de vente automatiques lorsqu’une action tombe en dessous ou dépasse un niveau de prix particulier. Des algorithmes plus sophistiqués exploitent les opportunités d’arbitrage ou prédisent les fluctuations du cours des actions en fonction d’événements du monde réel tels que les fusions ou les approbations réglementaires.

Les modèles mentionnés précédemment nécessitent des milliers de lignes de code écrit par l’homme et sont devenus de plus en plus difficiles à manier. S’appuyer sur l’apprentissage automatique rend le trading plus efficace et moins sujet aux erreurs. Il est particulièrement avantageux dans le trading haute fréquence, lorsque d’importants volumes d’ordres doivent être passés le plus rapidement possible.

Le trading automatisé existe depuis les années 1970, mais ce n’est que récemment que les entreprises ont eu accès aux capacités technologiques capables de gérer des algorithmes avancés. De nombreuses banques investissent massivement dans le trading basé sur l’apprentissage automatique.

4. Innovations en matière d’expérience client

Comme indiqué dans notre rapport 2021, de nombreuses entreprises réalisent le potentiel de l’apprentissage automatique pour améliorer l’expérience client, en les aidant à attirer, convertir, engager et fidéliser plus de clients, plus efficacement.

Les chatbots et les robots-conseillers ne sont que quelques-unes des nombreuses façons dont ils innovent.

Les chatbots sont un cas d’utilisation courant pour le ML, mais cela ne les rend pas moins efficaces. Les chatbots sont un excellent exemple de traitement du langage naturel et analyse des sentiments algorithmes au travail, et ils offrent un moyen efficace de servir les clients plus rapidement et plus efficacement.

Une autre stratégie d’utilisation du ML pour améliorer l’expérience client qui peut tirer parti de techniques similaires est l’augmentation des agents du service client. En comprenant le comportement et le sentiment du client au fil du temps, les agents en direct peuvent mieux aider à résoudre leurs problèmes et proposer de nouveaux produits et services qui correspondent mieux au profil du client.

Les robots-conseillers ont rendu la prise de décision d’investissement et financière plus accessible à la personne moyenne. Leurs stratégies d’investissement sont dérivées d’un algorithme basé sur l’âge, le revenu, la date de retraite prévue, les objectifs financiers et la tolérance au risque du client. Ils suivent généralement des stratégies d’investissement traditionnelles et une allocation d’actifs basée sur ces informations. Parce que les robots-conseillers automatisent les processus, ils éliminent également le conflit des conseillers financiers qui ne travaillent pas toujours dans le meilleur intérêt du client.

5. Cybersécurité et détection des menaces

Bien qu’ils ne soient pas propres au secteur des services financiers, des protocoles de cybersécurité robustes sont absolument nécessaires pour démontrer la sécurité des actifs aux clients. Tirer parti de la détection d’anomalies sur des ensembles de données massifs est un travail pour lequel le ML est particulièrement adapté. Les systèmes analytiques traditionnels ne sont tout simplement pas conçus pour répondre aux exigences en temps réel dont la sécurité des informations moderne a besoin pour faire face à un paysage de menaces toujours croissant. Des exemples spécifiques de la façon dont l’apprentissage automatique est utilisé dans la cybersécurité comprennent:

• Détection des logiciels malveillants: Les algorithmes peuvent détecter les fichiers malveillants en signalant les logiciels inédits qui tentent de s’exécuter comme dangereux.
• Attaques d’initiés: Surveiller le trafic réseau au sein d’une organisation à la recherche d’anomalies telles que des tentatives répétées pour accéder à des applications non autorisées ou un comportement de frappe inhabituel.

Dans les deux cas, la tâche fastidieuse de surveillance constante est retirée des mains d’un employé et confiée à l’ordinateur. Les analystes peuvent alors consacrer leur temps à mener des enquêtes approfondies et à déterminer la légitimité des menaces.