L'intelligence artificielle ou IA est une tendance importante dans le domaine de la numérisation. Cependant, la classification correcte dans le secteur financier est regorge toujours de défis pour le moment. Il ne se passe pas un jour sans que le sujet de "l'intelligence artificielle" n'apparaisse dans les bulletins d'information ou les blogs sur les services financiers. Le spectre va de la question de savoir si l'on doit s'en occuper à tout prix, à l'affirmation convaincue que le prochain tueur d'emplois est juste au coin de la rue.

L'intelligence artificielle: plus qu'un simple battage publicitaire

Un examen plus attentif montre que l'IA est certainement bien plus que du battage publicitaire. Car contrairement à la chaîne de blocs, par exemple, l'IA est déjà utilisée dans de nombreux cas tous les jours en pratique opérationnelle. Voyons quelques exemples:

  • Les robots conseillers permettent désormais aux clients individuels de la gestion d'actifs de suivre un processus de conseil qui va de la collecte de données personnelles à la recommandation d'un portefeuille d'investissement complet.
  • Les chatbots remplacent les personnes occupant un nombre croissant de postes dans le service à la clientèle. La reconnaissance vocale joue également un rôle croissant. L'analyse textuelle des lettres des clients n'est pas seulement utilisée pour pré-formuler des réponses standard. Il est également utilisé dans les pilotes pour reconnaître les situations émotionnelles, par exemple pour identifier les intentions de licenciement imminent.
  • L'automatisation des processus robotiques remplace la personne pensante dans le back office dans les processus de travail de plus en plus complexes. La reconnaissance des erreurs (avec "réparation automatique" ultérieure) ou des schémas de fraude fait d’ailleurs partie des bonnes normes dans le domaine des transactions.

L'utilisation des progrès de l'IA est, sans aucun doute la meilleure voie à suivre, car les obstacles techniques ont maintenant été considérablement réduits. En effet, la puissance de calcul permet désormais d'utiliser des algorithmes beaucoup plus complexes et donc plus précis. La facilité de gestion d'énormes volumes de données crée aussi la base nécessaire pour des conclusions différenciées et extrapolables. Les ordinateurs à haute performance, les algorithmes complexes et les Big Data travaillent donc ensemble en synergie. Il n'est donc pas surprenant que l'IA soit classée parmi les tendances les plus importantes de son "Hype Cycle for Emerging Technologies".

Les erreurs potentielles dans l'utilisation de l'intelligence artificielle

Cependant, l’IA étant actuellement placée en haut du hype cycle, le crash dans la "vallée des larmes" est donc préprogrammé. Parce que l'utilisation de l'intelligence artificielle a un fort potentiel d'erreur. Vous pouvez faire beaucoup de choses « bien », mais vous pouvez aussi faire beaucoup de choses « mal » - tant en donnant la priorité aux domaines d'application appropriés qu'en mettant en œuvre des solutions qui leur sont destinées. C'est là que de grandes sommes d'argent et des ressources en personnel peuvent facilement être mal investies. Trois points sont notamment à l'origine de cette situation :

  • L'intelligence artificielle a besoin d'être clarifiée

Tout d'abord, la définition de l'IA a besoin d'être clarifiée car certains voient l'IA de façon très étroite, d'autres de façon très large. Dans une définition très étroite, l'IA est assimilée à une seule méthodologie, par exemple, qui est actuellement particulièrement en vogue : le Deep Learning. Cela est particulièrement vrai si un fournisseur ne dispose que de cet outil dans son portefeuille. Une définition supplémentaire importante est encore fournie par le test de Turing, qui est présenté ici sous forme simplifiée : Vous placez certaines personnes test devant le clavier et l'écran, vous les confrontez à un problème défini et vous les protégez de "l'autre côté", qui peut être un être humain d'un côté et un ordinateur de l'autre. Si les personnes testées ne peuvent pas distinguer clairement qui est assis en face d'elles, l'ordinateur est certifié comme ayant une intelligence artificielle comparable à celle des humains. La définition du test de Turing fournit des résultats qui changent avec le temps : Ce qui hier était classé comme IA, aujourd'hui est souvent classé comme faisable par ordinateur.

  • L'intelligence artificielle est multiple

En second lieu, les méthodes et procédures de l'IA sont extraordinairement diverses, souvent concurrentes, parfois contradictoires : elles vont de l'apprentissage profond particulièrement "hyped" au raisonnement probabiliste en passant par l'utilisation d'arbres de décision complets. Toutefois, les avis divergent largement quant à la méthode appropriée pour telle ou telle application. La question de savoir comment optimiser une méthode pour un cas d'utilisation défini donne également lieu à de vives discussions. Souvent, la procédure de sélection ainsi que la conception de l'application semblent plus être un art qu'une science.

  • Difficile de vérifier le succès de AI

Les résultats obtenus jusqu'à présent sont toutefois très difficiles à tester et à évaluer. D'une part, cela s'applique à l'aspect professionnel-qualitatif, tant pour le statut atteint aujourd'hui que pour le potentiel d'amélioration réalisable. D'autre part, elle s'applique également à l'estimation du bénéfice commercial, tant aujourd'hui que dans un avenir proche. Dans les deux dimensions, il y a de fortes motivations à se retenir avec des informations sur les faits.

Intelligence artificielle en phase initiale d'innovation

En clarifiant les trois questions ouvertes, on ne peut pas non plus nécessairement attendre de l'objectivité des fournisseurs de matériel et de logiciels d'IA. Il n'est que trop compréhensible qu'ils veuillent refinancer leurs investissements initiaux parfois élevés. En outre, ils sont souvent tributaires de la maturation de leurs solutions, qui doivent passer du prototype sur le site du client à une utilisation réellement productive. L'IA en est encore aux premiers stades de l'innovation, où il existe un énorme besoin d'informations et d'analyses, compte tenu de l'étendue et de la profondeur du domaine. Pour le prestataire de services financiers individuel, la question se pose de savoir comment procéder au mieux. Ne rien faire, c'est définitivement mal. Mais il serait tout aussi erroné de s'enfermer dans cette phase et de travailler seul pour acquérir les connaissances de la meilleure façon possible.

Une approche ouverte, plutôt scientifique, est bien plus adaptée à cette phase : Les résultats sont recueillis, divulgués, analysés et discutés tout aussi ouvertement par plusieurs prestataires de services financiers réunis. Nous nous trouvons donc dans le domaine pré-concurrentiel typique, où l'échange de connaissances entre les acteurs a plus de sens économique que la gestion cloisonnée des secrets par les acteurs individuels. Ce n'est que lorsqu'une plate-forme commune de connaissances est créée que la concurrence devient un meilleur principe. Cela devrait être recommandé aux prestataires de services financiers qui abordent (à juste titre) le sujet de l'IA aujourd'hui.