Comment l’IA devient partie intégrante de la sécurité Fintech

Les institutions financières avant-gardistes comprennent déjà qu’une IA correctement déployée peut apporter des avantages non seulement pour rendre le secteur plus efficace, mais aussi pour offrir une expérience utilisateur plus intuitive et engageante. Selon un rapport de Business Insider, 80 % des banques comprennent que la technologie de l’IA devient rapidement une procédure opérationnelle standard. Un nombre similaire investit déjà dans des programmes de recherche et d’acquisition conçus pour s’adapter à l’avenir évident.

La centralité des technologies d’intelligence artificielle dans le secteur financier oblige également les développeurs et les chefs d’entreprise à repenser la façon dont ils se réfèrent aux nouveaux développements de l’industrie. Il y a dix ans, toute application destinée aux consommateurs et traitant de la finance était considérée comme faisant partie du paysage fintech. Aujourd’hui, la division entre la fintech et la finance est presque invisible. Les approches DevOps sont désormais utilisées dans les institutions bancaires et financières et des exemples d’IA dans la fintech sont tout autour de nous.

Dans cet article, examinez bien cette confluence émergente et la réalité selon laquelle les secteurs financier et technologique sont devenus de plus en plus indiscernables. Les études de cas ci-dessous représentent, à notre avis, certains des nouveaux développements les plus passionnants.

Adoption et adaptation

Tout d’abord, donnons un aperçu général de la manière dont l’IA a un impact dans l’espace fintech. Le plus évident de ces développements est peut-être celui des chatbots, dont la popularité a tellement explosé au cours des cinq dernières années qu’une sous-industrie entière s’est développée autour d’eux. Ils font désormais partie intégrante du paysage des conseils financiers proposés aux consommateurs. Cependant, cette industrie continue de croître et devrait valoir plus de 17 440 millions de dollars (avec un TCAC de 17,9 %) d’ici 2027, date à laquelle les chatbots auront enregistré environ 862 millions d’heures. Ce sont des heures économisées sur les horaires des agents du service client en direct.

Ce qui est étrange dans l’explosion des chatbots, c’est qu’ils ont été conçus à l’origine comme faisant partie d’une gamme de capacités pilotées par l’IA. Les cadres de programmation qui sont utilisés pour les former, en fait, sont maintenant utilisés pour faciliter le développement de capacités d’IA beaucoup plus avancées. Comme nous l’avons déjà signalé, certains d’entre eux sont axés sur l’hyper-personnalisation. D’autres s’efforcent d’améliorer l’efficacité commerciale en améliorant la gestion des ressources.

D’autres sont encore plus avancés. Visa, par exemple, utilise des outils d’intelligence artificielle pour repérer les transactions frauduleuses en temps réel et affirme que cette technologie est capable de détecter jusqu’à 500 attributs de risque de transaction uniques. Selon Visa, pour 2019, la part des opérations frauduleuses au niveau mondial dans le système Visa a atteint un minimum historique et est inférieure à 0,1%, due en grande partie à ce système.

D’autres institutions financières se sont concentrées sur d’autres applications des technologies d’IA. Bank of America, par exemple, a lancé Erica en 2016, un assistant numérique intégré à l’application bancaire mobile de la banque. Bien que ressemblant superficiellement à un chatbot, l’assistant s’appuie également sur certaines des capacités plus profondes des cadres d’IA mentionnés ci-dessus. Il est capable d’accéder à des systèmes tiers au nom d’un utilisateur et de l’avertir des changements de sa cote de crédit. En outre, Erica intègre le traitement du langage naturel (NLP) pour permettre aux utilisateurs des capacités de recherche avancées, telles que la recherche de transactions particulières et le marquage des paiements qui sont plus chers que prévu à l’aide de la détection d’anomalies basée sur le ML.

Barclays et AI Simudyne

Cependant, l’exemple récent le plus avancé d’institutions financières cherchant à tirer parti de la puissance de l’IA est venu du partenariat entre Barclays (une banque basée au Royaume-Uni) et AI Simudyne, une startup axée sur la modélisation basée sur les agents.

L’offre de Simudynes était à l’origine axée sur l’hyper-personnalisation des startups fintech. Cependant, depuis leur partenariat avec Barclays, ils ont étendu le système dans le but de fournir des informations en temps réel aux analystes bancaires et aux clients. En fait, le succès est tel que le système est désormais en mesure d’offrir aux clients des produits financiers de manière autonome.

Les détails techniques du système restent protégés, mais il est clair que ce qu’AI Simudyne a réussi à faire est de déployer les mêmes outils d’IA qui sont utilisés pour répondre aux demandes des utilisateurs afin de modéliser le comportement des utilisateurs de manière beaucoup plus large. Ils ont suggéré que le système construit pour Barclays vise à simuler la relation entre un prêteur et un client et à évaluer le risque de leur prêter sur la base de cette simulation. L’itération de ce système permet ensuite à Barclays d’évaluer le risque représenté par de nouveaux produits ou de nouveaux marchés.

Cette évolution montre comment les outils existants peuvent être étendus à de nouveaux environnements. La collecte de données, la formation et la modélisation des systèmes d’IA qui sont déjà utilisés dans les chatbots et les logiciels de personnalisation, semble-t-il, peuvent être étendues pour prendre des décisions commerciales de manière autonome, tant que l’appétit managérial existe pour cela.

Études de cas

Bien que les exemples d’IA dans les technologies financières que nous avons évoqués ci-dessus soient certainement impressionnants, les détails du fonctionnement de ces systèmes sont généralement cachés. Cependant, plusieurs entreprises ont publié des descriptions détaillées de systèmes conçus pour obtenir le même type de résultats que ceux décrits ci-dessus pour détecter la fraude ou effectuer une gestion automatisée de portefeuille d’actions. Dans cette section, jetez un œil à deux exemples de cela.

Prévenir la fraude

L’une des explications les plus détaillées sur la manière dont l’IA peut être utilisée dans la détection de la fraude financière vient d’Altexsoft. Ils soulignent d’abord que la détection des fraudes basée sur le ML est de loin supérieure aux systèmes qu’elle a remplacés, qui étaient principalement basés sur des règles prescriptives. Les systèmes ML, formés sur des données du monde réel contenant des cas de fraude repérés par des analystes humains, ont connu un certain succès.

Feedzai, par exemple, affirme que son système ML peut détecter jusqu’à 95 % de toutes les fraudes et minimiser le coût des rapprochements manuels, qui représentent désormais 25 % des dépenses liées à la fraude. Capgemini affirme également que les systèmes de détection de fraude utilisant l’apprentissage automatique et l’analyse minimisent la fraude. temps d’investigation de 70 % et améliore la précision de détection de 90 %.

Ces systèmes utilisent diverses approches de détection des fraudes :

• Détection d’une anomalie. Il s’agit de l’une des approches anti-fraude courantes en science des données, et elle est basée sur la classification de tous les objets des données disponibles en deux groupes : la distribution normale et les valeurs aberrantes. Les valeurs aberrantes, dans ce cas, sont les objets (par exemple, les transactions) qui s’écartent des objets normaux et sont considérés comme potentiellement frauduleux. Dans les environnements fintech, ces données peuvent aller des détails des transactions aux images et aux textes non structurés.
• Enseignement superviséimplique la formation d’un algorithme à l’aide de données historiques étiquetées. Dans ce cas, les ensembles de données existants ont déjà des variables cibles marquées, et l’objectif de la formation est de faire en sorte que le système prédise ces variables dans les données futures.
• Arbres forestiers aléatoires sont une forme de détection de fraude plus lourde en termes de supervision. Dans ce modèle, les données sont triées de manière itérative dans un nombre prédéfini de catégories. Les analystes humains sont alors en mesure d’examiner les transactions dans ces catégories pour détecter d’éventuelles fraudes.
• Pour des ensembles de données plus complexes, il existe des modèles plus avancés. Une machine à vecteurs de support (SVM), par exemple, est un modèle d’apprentissage automatique supervisé qui utilise un classificateur linéaire binaire non probabiliste pour regrouper les enregistrements dans un ensemble de données. Pour ce faire, il coupe les hyperplans à travers l’espace de phase créé par les données disponibles, puis en choisissant l’hyperplan qui sépare les données le plus distinctement comme base de son isolement de la fraude.

Pour les développeurs, toutes ces approches peuvent présenter un intérêt technique. Pour les banques, cependant, la valeur de la détection des fraudes se résume à l’économie. Tout comme l’IA peut être utilisée pour sécuriser les actifs numériques, il est désormais clair qu’elle peut également être utilisée pour identifier les pertes potentielles de radiation avant qu’elles ne puissent causer des dommages monétaires.

Maximiser les investissements

Le revers de la médaille pour réduire le potentiel de fraude financière est d’utiliser des systèmes d’IA pour améliorer la performance des portefeuilles d’investissement. Comme nous l’avons vu plus haut, Barclays a utilisé un système de ce type afin d’évaluer le risque de prêter à certains clients ; d’autres ont utilisé les mêmes techniques pour offrir des conseillers en placement entièrement automatisés conçus pour réaliser le maximum de gains possibles, tous basés sur le style d’investissement préféré des clients.

Et ce n’est pas que théorique. Le co-fondateur de Carbon Collective, Zach Stein, attribue au concept de robot-conseiller le succès de démarrage de sa société de gestion de placements axée sur le changement climatique. Notre algorithme a non seulement permis de réaliser des économies grâce à un personnel réduit, mais a également éliminé l’erreur humaine et l’émotion du processus. Notre gestion automatisée du portefeuille de clients nous a permis de surperformer le marché global ces dernières années.

Certaines entreprises ont connu un succès spectaculaire dans ce domaine. Betterment, par exemple, offre aux clients une gamme de services qu’ils peuvent soit laisser le robot-conseiller exécuter des transactions en leur nom, soit simplement l’utiliser comme conseiller pour guider leurs propres décisions d’investissement. À plus grande échelle, nous avons récemment écrit sur l’utilisation de Pony dans un environnement fintech pour créer des outils hautes performances. Pony est un nouveau langage de modèle d’acteur qui est typé statiquement et compilé à l’avance (à l’aide de LLVM), avec un ramasse-miettes entièrement simultané et un système de type sans course de données, et est largement utilisé comme plate-forme pour la gestion des investissements. IA.

Encore une fois, les détails du fonctionnement des robots-conseillers sont exclusifs et étroitement surveillés. Cependant, il est possible de spéculer sur les composants nécessaires pour construire un tel système :

1. Tout d’abord, le client est invité à fournir des données financières personnelles soit en remplissant un formulaire en ligne, soit en ajoutant des comptes existants au système via une API appropriée.
2. Le système ajoutera ensuite les données à son Data Lake à l’aide d’un stockage distribué sécurisé. HDFS (Hadoop Distributed File System) est le standard de choix dans ce cas, car il permet de recevoir et de traiter des données à partir de différents systèmes avec différents formats et infrastructures.
3. Le logiciel utilise ensuite des algorithmes spécifiques pour constituer, gérer et optimiser le portefeuille clients. À mesure que les conditions des marchés financiers changent, le portefeuille est automatiquement rééquilibré pour en tenir compte. Si nécessaire, le système effectue des opérations de collecte des pertes fiscales pour minimiser les dettes fiscales.
4. À ce stade, il est possible de déployer une large gamme de systèmes d’IA afin d’optimiser les décisions prises. En fait, l’un des avantages de ce type de système est qu’il permet de brancher n’importe quel moteur d’IA et de l’utiliser pour gérer les données générées par les étapes ci-dessus.
5. Lors du traitement des données transactionnelles, le logiciel les transmet à l’Enterprise Data Warehouse (EDW), une base de données centralisée disponible pour l’analyse et une utilisation plus large.
6. L’historique des investissements des clients, la progression du portefeuille, les risques et d’autres informations pertinentes peuvent être visualisés avec le tableau de bord des plateformes.

En tant que tel, ce type de système est basé sur un certain nombre de sous-composants imbriqués, dont beaucoup sont disponibles en tant que systèmes autonomes. Bien que les développeurs devront porter une attention particulière à la manière dont ces composants interagissent, il est techniquement possible de créer un conseiller en investissement basé sur l’IA à l’aide de composants prédéfinis.

Cela ne veut pas dire, bien sûr, que la construction de robo-advisors de ce type est sans risque. Comme pour toute technologie dans l’espace fintech, la sécurité de ces systèmes doit être soigneusement conçue et évaluée en permanence, et les développeurs doivent veiller à ce que leur empressement à déployer des modèles ML ne l’emporte pas sur leur souci de protéger les données.

L’avenir

Ce ne sont, bien sûr, que deux des façons dont l’IA peut être utilisée dans la fintech. Il y a beaucoup d’autres développements passionnants dans l’espace. Certains développeurs utilisent maintenant des tests de chaos pour améliorer la stabilité des produits fintech et il y a toujours des bricolages sur la meilleure façon d’intégrer la blockchain.

En d’autres termes, l’IA n’est qu’une des nombreuses technologies émergentes qui vont transformer le fonctionnement du secteur financier au cours de la prochaine décennie. Et, à mesure que ces technologies s’intègrent de plus en plus dans l’industrie, nous verrons le fossé entre la technologie et la finance devenir plus flou que jamais.