Booster l’impact de l’IA dans les banques grâce à l’IA inclusive

Apporter des changements percutants grâce à la puissance des données et de l’IA est une opportunité ancrée dans la réalité. Cela nécessite l’application pratique du bon sens, combiné à de solides talents en ingénierie et en science des données et soutenu par la bonne plate-forme technologique dédiée.

Cela nécessite également des données. Pas n’importe quelles données : des données pertinentes, des données de qualité et des données accessibles, offrant la bonne profondeur de couverture. C’est un domaine où les banques pourraient avoir un différenciateur unique, car elles – et les services financiers en général – sont intrinsèquement liés aux données et à leur rôle : tarifer les crédits, identifier les primes et les actifs d’assurance, évaluer les transactions et les portefeuilles…

Une solide culture des données

Cependant, malgré ce lien intime avec les données, les banques souffrent souvent de l’absence d’une solide culture des données essentielle à une mise à l’échelle rapide de l’IA. À titre d’exemple, lorsque Dataiku a mené une enquête auprès de 400 professionnels des données aux États-Unis et en Europe en 2020, seulement 52 % des personnes interrogées ont déclaré que leurs organisations avaient mis en place des processus pour garantir que les projets de données sont construits à l’aide de données fiables et de qualité.

Voici ce qu’est l’IA inclusive :

Il y a plusieurs raisons sous-jacentes à cela. Premièrement, en tant qu’acteurs fortement réglementés, les banques sont particulièrement prudentes dans l’ouverture de l’accès aux données dans l’ensemble de leurs organisations. Deuxièmement, l’approche produit traditionnelle des systèmes d’information, combinée à une histoire de fusions et acquisitions dans un secteur marqué par une consolidation progressive du marché, a conduit à la fragmentation des données dans les banques, et elle agit comme un obstacle supplémentaire à l’accès unifié facilité aux données…

Enfin, la concentration des investissements informatiques sur les projets réglementaires a dans de nombreux cas retardé la mise en œuvre à l’échelle de l’entreprise d’outils d’accès aux données et de développement de la science des données, empêchant les experts métier de devenir des acteurs actifs de la révolution de l’IA que les banques visent à traverser.

Ce qui est en jeu

Les organisations peuvent accélérer la mise à l’échelle grâce à une approche collaborative, permettant de combler rapidement les lacunes des scientifiques des données et des experts métier. Tout revient aux vertus de la collaboration, de sorte que même les hommes d’affaires, sans devenir des experts, sont mieux à même d’itérer de la bonne manière avec les data scientists.

Dans le même environnement, les data scientists se rapprochent de la réalité de l’entreprise afin de vraiment comprendre les chaînes de valeur fondamentales et de soutenir leur amélioration. Relever le défi de surveiller au mieux la liquidité du marché n’est pas un pur jeu de science des données. Ce n’est qu’en combinant l’expérience unique de traders de longue date et de data scientists que les banques développeront des marchés pertinents. Cela implique également l’implication étroite de la gestion des risques tout au long du processus. La lourdeur de la gestion du risque de modèle est souvent signalée comme un obstacle au délai de mise sur le marché.