L'IA dans le secteur bancaire : Bientôt obligatoire pour réussir ?

Stefan, quelles sont les données disponibles dans le secteur financier et comment peuvent-elles être utilisées ?

Les données disponibles vont des informations sur les clients et les transactions aux données de marché, en passant par les indicateurs macroéconomiques et les médias sociaux. L'intégration et l'analyse de ces données peuvent aider les banques et les prestataires de services financiers à acquérir une connaissance plus approfondie du comportement des clients, à établir des prévisions basées sur les données, à mieux gérer les risques et à identifier plus efficacement les opportunités de marché.

Beaucoup d'espoir repose sur l'utilisation de l'intelligence artificielle (IA). Quels sont les domaines d'application spécifiques à la gestion d'actifs ?

Des centaines d'indicateurs sont disponibles par entreprise et peuvent influencer les cours de bourse. En traitant habilement ces quantités de données, les modèles de machine learning peuvent identifier de manière autonome des schémas et découvrir des liens cachés entre les chiffres clés des entreprises et les rendements futurs. De cette manière, il est possible de faire des prévisions quotidiennes sur l'évolution des cours des actions dans le monde entier. Ces prévisions peuvent ensuite être mises en œuvre dans des fonds et des mandats grâce à un processus de construction de portefeuille sophistiqué. L'Asset Management de la Zürcher Kantonalbank dispose, depuis plusieurs années déjà, d'un algorithme de machine learning éprouvé pour la sélection des actions et l'utilise avec succès.

Les Large Language Models (LLM) sont justement sous les feux de la rampe. Où sont-ils utilisés dans la gestion des actifs ?

L'un des domaines d'application est le traitement automatisé des actualités, des rapports d'entreprise et des conférences téléphoniques. Des indicateurs de sentiment peuvent ainsi être dérivés quotidiennement pour chaque entreprise. Ceux-ci indiquent si les nouvelles reflètent un sentiment positif ou négatif. Ces indicateurs de sentiment peuvent être utilisés comme source d'information supplémentaire pour prendre des décisions d'investissement éclairées. Les LLM aident également les gestionnaires de portefeuille dans leur discipline de prédilection, à savoir la sélection d'informations pertinentes pour les prix dans le maquis des données. Des GPT (Generative Pre-trained Transformers) spécialement formés peuvent les aider à synthétiser les rapports d'analystes et à en extraire les informations pertinentes.

Dans quelle mesure la profession de gestionnaire de portefeuille et d'analyste est-elle menacée ?

Il faudra encore de nombreuses années avant que l'IA puisse reproduire l'intelligence humaine dans toutes ses facettes, comme le raisonnement, la perception visuelle ou les capacités motrices. Néanmoins, l'IA offre déjà des avantages considérables dans certains domaines. Elle peut, par exemple, analyser d'énormes quantités de données en très peu de temps et identifier de manière autonome des modèles qui restent souvent invisibles pour l'homme. La question cruciale est la suivante : comment pouvons-nous utiliser l'IA de manière intelligente pour nous aider dans notre travail, prendre de meilleures décisions et améliorer notre efficacité ?

Revenons-en aux services bancaires. Sonja, l'IA peut-elle également être utilisée dans le domaine des taux d'intérêt, par exemple pour l'octroi de crédits ?

L'évaluation du crédit a tendance à devenir plus complexe. Cela s'explique notamment par l'augmentation des exigences réglementaires imposées aux établissements. La numérisation et la puissance de calcul croissantes y contribuent également, car elles permettent d'intégrer potentiellement de plus en plus de points et de sources de données dans l'évaluation du crédit. De grandes quantités de données permettent certes des analyses plus précises, mais nécessitent également des modèles plus complexes et, en règle générale, l'utilisation d'algorithmes d'IA. Les modèles d'IA doivent, en fin de compte, servir à soutenir la décision finale des conseillers sur la base de données.

Et qu'en est-il de l'estimation des prix de l'immobilier ?

Il existe de nombreux modèles basés sur des règles qui intègrent de nombreux facteurs d'influence sensibles aux prix. Il s'agit notamment de facteurs tels que la situation, l'état, l'environnement géographique, ou l'efficacité énergétique. À cela s'ajoutent des circonstances extérieures telles que les taux d'intérêt, les tendances du marché, ou les exigences réglementaires comme les changements de zonage. Comme pour l'octroi de crédits, le processus d'évaluation des prix devient de plus en plus complexe avec un potentiel correspondant pour l'IA.

Pourquoi est-il utile pour les banques de mettre en place un département d'IA - et à quoi devrait-il ressembler ?

La configuration optimale pour la mise en œuvre de l'IA dans les banques comprend plusieurs aspects. Pour simplifier, il s'agit d'une interaction entre l'infrastructure, les données, et les personnes. Les personnes doivent bénéficier de conditions optimales pour développer, utiliser et maîtriser la technologie. Il y a plusieurs choses à prendre en compte.

Qu'est-ce que ce serait ?

Premièrement, une infrastructure appropriée est nécessaire. Elle permet d'accéder à des données parfois très volumineuses et généralement réparties. C'est absolument essentiel car la valeur ajoutée que l'IA peut apporter en tant que méthode réside précisément dans le traitement simultané des données les plus diverses. Outre la capacité d'intégration, les fonctionnalités permettant de créer du code de manière optimale constituent un autre élément important de l'infrastructure. Le code et les fonctionnalités spécifiques permettent une préparation efficace des données. Enfin, une infrastructure optimale comprend une puissance de calcul suffisante pour les modèles d'IA gourmands en ressources.

Les données ne sont donc pas toutes les mêmes ?

Des données propres sont essentielles car l'IA s'adapte également à des données de mauvaise qualité, ce qui se répercute sur les résultats. Dans l'ensemble, elle doit à la fois soutenir les thèmes centraux et permettre la mise en œuvre dans les unités décentralisées, c'est-à-dire les services spécialisés de la banque (voir graphique ci-dessous).

Une banque est donc déjà bien positionnée ?

L'existence d'un service central d'IA est évidemment un avantage. Il soutient toutes les parties prenantes du processus en matière d'IA. Du conseil à la sensibilisation de l'ensemble de la banque, il est également utile de participer à l'élaboration de thèmes fondamentaux. La grande valeur ajoutée est de contribuer à aligner les thèmes transversaux tels que les données, l'architecture, l'infrastructure, ou la gouvernance. Sinon, le risque existe de voir apparaître des redondances et des dettes techniques incontrôlées, ce qui, au plus tard à long terme, sera très coûteux financièrement.

Il faut une main qui ordonne ?

Cela semble un peu trop rigoureux - mais oui, un paysage fragmenté rend difficile, voire impossible, de fournir des informations aux régulateurs. Tout comme l'infrastructure, le centre d'expertise en IA doit soutenir de manière optimale les organisations de mise en œuvre décentralisées existantes et coopérer étroitement avec une équipe de mise en œuvre qui réalise des missions pour les secteurs d'activité ne disposant pas de cette expertise spécifique. La forme effective d'un tel service variera d'une banque à l'autre, mais l'examen des questions mentionnées est universel.