IA dans la banque et la finance. Stripe, Monzo et Grab | IA dans les affaires #78

L’IA dans le secteur bancaire – introduction

L’intelligence artificielle est déjà largement utilisée dans de nombreux domaines du secteur bancaire et financier. Ce n’est pas seulement des chatbots pour le service client ou des applications bien sécurisées. L’intelligence artificielle est utilisée dans l’industrie financière à des fins encore plus sérieuses. Voici les principales applications de l’IA dans le secteur bancaire :

• Détection et prévention de la fraude – des algorithmes avancés analysent les transactions en temps réel et détectent des modèles d’activité suspects. Cela protège efficacement les clients contre les escroqueries,
• Optimisation des prévisions de liquidité financière – des modèles prédictifs basés sur l’IA analysent d’énormes quantités de données pour prédire avec précision les flux de trésorerie futurs et gérer la liquidité de manière plus précise.
• Rationalisation des processus liés à l’évaluation de la solvabilité – ici aussi, les algorithmes d’apprentissage automatique viennent à la rescousse, qui, sur la base de l’analyse de milliers de demandes de crédit, peuvent évaluer avec précision la crédibilité financière d’un client,
• Personnalisation des offres et recommandations pour les clients – les banques utilisent des modèles de recommandation avancés pour adapter les produits financiers aux besoins individuels des clients,
• Automatisation des processus de back-office – les tâches routinières, telles que la vérification des documents ou le règlement des transactions, peuvent être entièrement automatisées grâce à l’IA.

Cependant, comment les entreprises opérant sur les marchés mondiaux ont-elles fait face à la mise en œuvre de ces innovations ?

Stripe : crédibilité des transactions grâce à l’IA dans la finance

L’un des leaders de l’application de l’IA à la finance est Stripe. Il a développé un système appelé Stripe Radar, qui analyse plus de 1 000 caractéristiques d’une transaction en moins de 100 millisecondes pour évaluer sa fiabilité. Le système a un taux de précision de 99,9 % tout en maintenant un faible taux de fausses alertes.

Comment cela a-t-il été réalisé ? Tout d’abord, Stripe utilise des techniques avancées d’apprentissage automatique comme les réseaux neuronaux profonds. Le système est constamment amélioré et développé avec de nouvelles capacités, telles que l’apprentissage par transfert.

Deuxièmement, l’entreprise recherche constamment de nouveaux signaux dans les données de transaction qui peuvent aider à identifier des anomalies indiquant une fraude potentielle. Les ingénieurs de Stripe examinent attentivement chaque cas de fraude pour comprendre les schémas d’opération des criminels et enrichir le système avec des règles supplémentaires.

Stripe Radar est un excellent exemple de la manière dont l’IA dans le secteur bancaire peut protéger efficacement les clients contre les escroqueries financières.

Source : Stripe (https://stripe.com/blog/how-we-built-it-stripe-radar)

Monzo : IA dans la finance

Monzo, une néobanque basée au Royaume-Uni qui opère exclusivement dans l’espace numérique, a appliqué des capacités d’apprentissage automatique dans un domaine complètement différent : l’optimisation des campagnes marketing.

La banque a construit des modèles qui, sur la base de données historiques, peuvent estimer la volonté d’un client donné de profiter d’une offre supplémentaire, comme l’ouverture d’un compte d’épargne, s’il reçoit un message spécifique de la banque.

Ensuite, pour maximiser l’efficacité de la campagne, le système indique quels clients devraient recevoir quel message promotionnel. Cela permet de cibler précisément le message et d’obtenir des résultats significativement meilleurs que dans le cas d’une communication de masse, non personnalisée.

Dans certains cas, la mise en œuvre d’une telle optimisation a permis à Monzo d’augmenter l’efficacité des campagnes jusqu’à 200 % ! Cela démontre comment l’IA dans le secteur bancaire peut aider à atteindre les clients plus efficacement avec des offres adaptées qui résonnent avec eux.

Source : Monzo (https://medium.com/data-monzo/optimising-marketing-messages-for-monzo-users-3fe805f24572)

Grab : IA dans la classification des données sensibles

Grab est un géant technologique d’Asie du Sud-Est, offrant des services tels que le transport et la livraison. L’entreprise a décidé de tirer parti des capacités des Modèles de Langage (LLM) pour automatiser le processus de classification des données sensibles qu’elle stocke. Cela est crucial car l’entreprise détient les données personnelles et financières de ses clients.

À cette fin, un ensemble de balises a été préparé décrivant diverses catégories de données, telles que :

• Données personnelles,
• Informations de contact,
• Numéros d’identification.

Ensuite, des requêtes appropriées ont été conçues pour que le modèle de langage attribue automatiquement ces balises en fonction des noms de tables et de colonnes dans les bases de données.

En conséquence, Grab peut classer les informations stockées par sensibilité beaucoup plus rapidement et à moindre coût. Cela facilite l’application des politiques d’accès aux données et de confidentialité. Selon les estimations de l’entreprise, la solution a permis d’économiser jusqu’à 360 jours de travail par an qui étaient auparavant consacrés à la classification manuelle des données.

Source : DALL·E 3, prompt : Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Résumé. L’avenir de l’IA dans le secteur bancaire et financier

Comme le montrent les exemples de Stripe, Monzo et Grab, l’intelligence artificielle apporte déjà une réelle valeur commerciale aux banques et aux institutions financières. Elle peut aider à prévenir la fraude de manière plus efficace, cibler les clients plus précisément ou automatiser des tâches fastidieuses.

Dans les années à venir, le rôle de l’IA dans le secteur bancaire continuera de croître régulièrement. Nous pouvons nous attendre à l’automatisation complète de nombreux processus de back-office, à l’hyper-personnalisation des produits financiers et à une intégration plus étroite des modèles d’apprentissage automatique avec les systèmes bancaires.

Si vous aimez notre contenu, rejoignez notre communauté de abeilles occupées sur Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.