Intelligence artificielle : quelles approches dans le secteur financier ?

L’intelligence artificielle est devenue en quelques années l’une des principales préoccupations des stratégies d’innovation dans la banque et l’assurance. Mais derrière ce terme se cachent deux approches différentes. En France, Yseop se fait le chantre de la première, l’approche déterministe. La société propose d’industrialiser les process des banques et assureurs en utilisant l’intelligence artificielle. Les règles sont pré-écrites puis adaptées par la suite par intervention humaine.

« Jusque là, le secteur financier a travaillé par approche déterministe, explique Laurent Renaudot, senior manager chez Wavestone. L’avantage des systèmes experts et des arbres de décisions, c’est qu’on sait pourquoi on prend une décision et pourquoi une alerte est générée. L’inconvénient, c’est qu’il faut déjà une bonne connaissance et des experts pour déterminer, gérer, tester régulièrement les règles et faire les mise à jour ». Cette approche repose donc sur la capture de la connaissance basée sur l’expérience des meilleurs chargés de clientèle pour l’injecter dans la machine.

Au contraire, l’approche probabiliste, plus récente, est surtout portée par IBM avec son programme d’intelligence artificielle Watson ou bien par Amelia, d’IPsoft, par exemple. Cette vision fait appel au machine-learning : la machine apprend automatiquement en analysant les process et doit être entraînée. « On fait le deuil des règles qui ont permis d’aller sur une décision, décrit John Rauscher, CEO d’Yseop. C’est une boîte noire et le traçage de la logique est impossible ».

Il faut cadrer les recommandations

Emmanuel Viale

Directeur du laboratoire de R&D d’Accenture (Sophia Antipolis)

Or, dans le secteur financier, « l’aspect réglementaire est très fort, donc il faut cadrer les recommandations », rappelle Emmanuel Viale, directeur du laboratoire de R&D d’Accenture à Sophia Antipolis.