Intelligence artificielle dans l’industrie financière

Genèse de l’IA

Alan Turing a été le premier à documenter le sujet dans le début des années 1950 avec la publication d’un article, « Computing Machinery Intelligence », dans lequel il ouvre le débat suivant : les machines seront-elles un jour capables de penser ? Depuis la publication de cet article, l’intérêt porté à l’intelligence artificielle a expérimenté deux hypercycles, qui ont tous deux abouti à des phases de désillusions. La première phase est apparue peu de temps après la création du MIT AI Lab par John McCarthy et Marvin Minsky au début des années 60, tandis que la seconde a commencé dans les années 90 avec Gerry Tesauro démontrant que l’apprentissage par renforcement pouvait créer des programmes de jeux capables de défier des humains. À chaque fois, des défaillances ont été causées, en partie, par les coûts très élevés associés à la construction et au maintien de ces systèmes et en l’absence de retour sur investissements rapides.

Intelligence Artificielle :  définition et fonctionnement

L’intelligence artificielle est une discipline scientifique relative au traitement des connaissances et au raisonnement, dont le but est de permettre à une machine d’exécuter des fonctions normalement associées à l’intelligence humaine : compréhension, raisonnement, dialogue, adaptation, apprentissage, etc. Le machine learning et le deep learning sont des sous-domaines de l’IA. Ils se réfèrent à des techniques pour former des algorithmes sur des ensembles de données, afin d’améliorer les résultats grâce à l’expérience et l’apprentissage au fil du temps.

Alors, pourquoi cette fois est-ce différent ?

Outre les coûts trop élevés, le matériel n’arrivait pas à suivre les besoins de l’intelligence artificielle, notamment pour traiter deux besoins clés : la reconnaissance des paroles et celle des images, très gourmandes en puissance de calcul. Pendant les années 90 et 2000 l’IA a été mise un peu de côté au profit de projets focalisés sur la puissance brute et les calculs en éléments finis. Aujourd’hui nous sommes à un point d’inflexion. Nous avons la convergence des algorithmes, l’afflux de données, ainsi que la puissance de calcul. Cette dernière va continuer à augmenter, les algorithmes à s’améliorer, et les données à croître. La puissance de calcul a permis de mettre en oeuvre de nombreuses méthodes statistiques jusqu’alors inaccessible.

Les données, matière première de ces algorithmes, sont largement accessibles grâce à l’usage généralisé des systèmes d’information, d’internet, des mobiles, et autres objets connectés.

• Le développement d’Internet a créé de nouveaux besoins comme les moteurs de recherche et permis la mise en place d’architectures massivement distribuées.
• Les besoins croissants dans la robotique, dans la conquête spatiale, dans la voiture autonome, la sécurité informatique. 
• Les nombreuses applications commerciales de l’IA croisant le machine learning, les objets connectés ou le big data.

Petit à petit, les étapes symboliques ont été franchies. La victoire de Deep Blue contre Kasparov en 1997 ou celle de DeepMind, l’IA de Google,  au jeu de Go contre Lee Sedol, alors champion du monde. En France, 68 laboratoires de R&D travaillent sur des problématiques liées à l’IA. Mais la technologie a quitté les laboratoires de recherche ainsi que les universités pour s’installer durablement dans les entreprises. Une enquête de Narrative Science a révélé que l’année dernière 38% des entreprises utilisaient l’IA et que ce chiffre devrait passer à 62% d’ici 2018.

Le marché de l’IA va bientôt atteindre l’élan dont il a besoin pour une adoption généralisée principalement grâce à une expertise plus approfondie, à un ensemble plus large d’applications, à un coût informatique moins cher, et au soutien de géants technologiques comme Google ou IBM aux USA et l’émergence de Tencent et Alibaba en Asie.

L’intelligence artificielle au service du secteur financier

Dans le secteur bancaire, où l’analyse des données est un enjeu essentiel, l’intelligence artificielle remodèle presque toutes les activités : le trading,  la gestion de portefeuille, la gestion des risques, le crédit, ou même la relation client et le marketing. L’un des principaux facteurs de l’évolution en finance porte sur une numérisation croissante qui ouvre la voie à l’IA. De ce fait, les entreprises du secteur financier, ont commencé à anticiper ces transformations.

Par exemple, la banque américaine JP Morgan a mis au point un nouveau programme, nommé “Contract Intelligence” qui est capable d’interpréter, grâce à l’intelligence artificielle, les accords de prêts commerciaux qui nécessitaient, avant la création de ce logiciel, 360.000 heures de travail par an pour des avocats et spécialistes du crédit. Autre phénomène, de plus en plus de banques investissent une partie de leur service client à ces assistants virtuels : les “chatbots”. Ils utilisent l’IA pour mimer le langage humain et répondre en quelques minutes aux questions des clients qui cherchent à savoir combien leur coûtera un retrait d’espèces à l’étranger ou si un virement a été débité sur leur compte. Ces systèmes intelligents apprennent de leurs erreurs, et représentent une main-d’oeuvre à coût nul, disponible 24 heures sur 24 et 7 jours sur 7 afin d’améliorer la satisfaction client.

Cependant, lorsque les données sont celles des clients cela soulève des questions liées à la transparence ou au respect de la vie privée. Pour répondre aux enjeux croissants de sécurisation de données financières et du manque de confiance des utilisateurs dans le secteur de la finance, les FinTech ont de vrais atouts. La notion de transparence est primordiale et l’humain doit garder le contrôle de ces systèmes, il faut assurer qu’il a les compétences pour travailler avec ces nouvelles technologies. Il semble important de rester au service de l’humain et non pas l’inverse. En anticipant cette transformation, la réglementation peut être un catalyseur de l’innovation, et la meilleure façon d’aider les régulateurs à favoriser l’insertion de l’IA est de commencer à élaborer un ensemble de principes.

Outre l’optimisation des coûts pour les entreprises, l’automatisation des tâches à faible valeur ajoutée dans les services financiers remodèle en profondeur l’expérience du client. Les FinTech ont pris une longueur d’avance en plaçant l’innovation au coeur des opérations quotidiennes du client. Pouvoir ouvrir un compte en quelques secondes, signer électroniquement ou avoir un conseil totalement personnalisé, autant de possibilités qui maximisent leur chance de séduire une clientèle sensible à l’innovation.

Nalo et l’intelligence artificielle

Nalo souhaite appliquer les meilleures pratiques de l’investissement en les rendant accessibles au plus grand nombre grâce aux nouvelles technologies. Nous incorporons tout notre savoir-faire et nos connaissances dans nos algorithmes, qui disposent d’une puissance de calcul bien plus importante et instantanée qu’un gérant humain est incapable de mettre en oeuvre. Pour gérer les portefeuilles de nos clients, les algorithmes d’apprentissage et les méthodes d’analyse des séries temporelles sont pertinents. C’est vrai à très haute fréquence, ce que nous ne faisons pas, mais aussi sur des stratégies de long terme comme nous nous employons à le faire.

Par ailleurs, l’IA nous permet d’automatiser les tâches à faible valeur ajoutée, de ce fait nous réduisons les coûts opérationnels, ce qui se traduit par une baisse des frais pour nos clients.

L’intégration d’algorithmes dans notre méthode d’investissement nous permet également d’offrir un conseil de qualité égale pour tous nos clients. Peu importe le montant investi, la prestation de conseil est équivalent, et les erreurs humaines et opérationnelles sont éliminées. Contrairement à un gérant traditionnel qui, par nature, a du mal à se défaire de sa propre aversion au risque, un algorithme n’a pas de biais cognitifs. Comme le montre Daniel Kahneman (Prix Nobel d’économie en 2002), la faiblesse d’un gérant vient de ses biais émotionnels, et de ses réactions contre-productives à des mouvements de marché à court terme. Kahneman explique qu’un humain n’est pas capable de développer une véritable expertise dans un environnement stochastique et que les règles algorithmiques sont plus efficaces.

A lire aussi

D. Kahneman : ces biais cognitifs qui nous trompent

Paradoxalement, la capacité d’analyse démultipliée de l’IA nous permet de mieux connaitre le client, et ainsi de lui offrir un service plus personnalisé. Notre robo-advisor apporte une réponse sur mesure aux objectifs d’investissements de nos clients. Contrairement aux services financiers traditionnels qui vont classer les clients sur une échelle de risque standardisée (généralement de 1 à 10), Nalo crée une allocation unique et évolutive en fonction de leur situation patrimoniale, de la nature de leurs projets, de leurs horizons d’investissement ou encore de leur appétence au risque.

Cependant, nous sommes conscient que la force des algorithmes naît du savoir-faire de ceux qui les font. C’est pour cette raison que notre équipe est constituée de conseillers en gestion de patrimoine, d’ingénieurs informatiques et d’ingénieurs financiers. Ainsi le conseiller financier ou le gérant ne disparaît pas de la chaîne de valeur, il en devient l’architecte. Tout travail intellectuel ne peut pas être remplacé par une intelligence artificielle, c’est le cas des problématiques patrimoniales complexes (optimisation d’IR, réduction ISF, transmission de patrimoine) qui méritent d’être analysées au cas par cas.

Vous souhaitez investir ?

Obtenez une recommandation en quelques clics puis souscrivez en ligne.

Démarrer une simulation