L’INTELLIGENCE

ARTIFICIELLE ET
LA BANQUE DE DEMAIN
PASS ER D E L’I A PAI LLETTE A L’I A CONCRE T E
A l’heure où le smartphone est souverain — pour creuser l’avantage concurrentiel.
et bouleverse les modèles d’interaction Aujourd’hui, les conditions ne semblent pas
avec le client (carte bancaire, portefeuille, encore réunies pour un succès des banques
conseiller), où les fintech et géants du françaises sur le sujet.
web (Amazon Alexa, Paypal, Applepay…)
Véritables catalyseurs de performance, et
viennent intermédier la relation du client
bras droits de la relation client, l’exploitation
avec sa banque traditionnelle, les banques
massive de données et l’Intelligence
doivent tenir le cap face à ce raz-de-marée
Artificielle offrent de nombreuses
historique. Chiffres à l’appui, les start-ups
possibilités qu’il sera opportun de saisir
technologiques et fintech pourraient en
rapidement. Mais de quels cas d’usages
effet aspirer jusqu’à 25 % des parts de
parle-t-on au juste ? Quelle place laissée
marchés aux banques traditionnelles d’ici
pour l’humain dans cette nouvelle jungle
à 2020 [1].
d’algorithmes ? Comment distinguer le buzz
Pour la banque, la maitrise de son de l’IA à réelle valeur ajoutée ?
patrimoine de données et de son
[1] - https://business.lesechos.fr/directions-financieres/
Intelligence Artificielle apparait comme financement-et-operations/credits/021786728279-fintech-
les-banques-ont-peur-208733.php
une condition essentielle afin de s’adapter
à ce monde qui se transforme. En somme,
ne pas céder ses activités une à une aux
nouveaux acteurs technologiques, mais au
contraire, rester maitre de sa technologie et
l’exploiter — dans une juste et saine mesure

2
AUTEURS

GHISLAIN DE PIERREFEU NICOLAS EID

Partner en charge des activités IA Nicolas pilote des missions Data Science &
et valorisation des données, Ghislain IA pour le compte de multiples directions
accompagne les grandes entreprises métiers (banques, énergéticiens,
et organisations, tous secteurs transporteurs, institution publiques…),
confondus (Banque, Assurance, Energie, de l’idéation de cas d’usages IA aux proofs
Santé, Automobile, Presse, Secteur of concept et leur industrialisation. Les
Public…) dans leurs stratégies et leurs modèles statistiques et prédictifs élaborés
transformations en matière d’intelligence sont au service de l’optimisation de
artificielle en conjuguant expertises la performance et du développement
métiers, technologiques, RH, éthique de nouveaux modèles d’affaires.
et règlementaires. Il assure par ailleurs la conduite d’un
Il est aussi responsable des équipes de cours Machine Learning – Business Case,
data-science de Wavestone qui aident à destination du programme Master
nos clients à développer des algorithmes de l’Ecole Polytechnique. Ce cours
d’IA et accompagnent les équipes a pour objectif de doter les élèves de
internes clients dans l’appropriation très savoir-faire IA concrets et pragmatiques
concrète de cette nouvelle discipline. servant au monde de l’entreprise.

[email protected] [email protected]

Cette publication a été réalisée

avec la contribution de Cécile OBEZ,
Maria IVANOVA, Alexandre LUKAT,
Nassim OUALLI et Arthur GUILLIER.

3
SOMMAIRE

5 L a data : l’agitateur de l’ecosysteme bancaire

7 Le domaine bancaire est deja marqué

par de nombreuses opportunites IA à saisir

11 Quelles évolutions pour la banque de demain

en France…

14 Comment se doter des savoir-faire

en intelligence artificielle ?

24 L’ia est vulnerable aux cyberattaques,

protegeons-la !

26 L’intelligence artificielle synonyme

de reduction d’emplois ?

29 En synthèse, passez d’une IA «gadget techno»

(paillettes) à une IA «asset coeur» (concrete)

4
 LA DATA : L’AGITATEUR
DE L’ECOSYSTEME BANCAIRE

Sous l’impulsion, entre autres, des DE L’AU T R E … L E S G AFAMI , E T P LU S

contraintes réglementaires [2], les banques
GÉNÉRA L E ME N T L E S G É AN TS DU W E B
sont des acteurs historiquement riches en
données : la capacité à exploiter la donnée Ceux-ci grignotent depuis plusieurs années,
au profit de l’efficience opérationnelle ou doucement mais surement, les places fortes
de l’expérience client est ainsi devenue un des services bancaires. Leur positionnement
enjeu fort dans la prise de part de marché. leur confère l’avantage de proposer des
services innovants via l’exploitation de leurs
Les banques historiques font dès aujourd’hui
propres données clients, et via leurs atouts
face à plusieurs types d’acteurs tirant profit
technologiques (maitrise de l’Intelligence
de la data et de l’intelligence artificielle :
Artificielle, devices, personnalisation des
offres etc.).
D’ UN CÔTÉ… LES FINTECHS…
Les assistants personnels intelligents,
Celles-ci prennent la position de broker de Amazon Alexa et Google Home par ailleurs,
la relation client pour de nouveaux services pourraient préempter petit à petit l’interface
tels qu’agrégateurs de comptes (Bankin’ client [3]. Les consultations de comptes et
etc.), outils budgétaires ou courtage... virements bancaires peuvent dès à présent
Elles proposent des services bancaires être réalisés par ces IA d’interface. Il suffit
innovants, plus simples et sur-mesure, simplement de dire « Alexa, je souhaite
éventuellement en partenariats avec des réaliser un transfert d’argent ». Via ces
banques traditionnelles (épargne avec technologies de reconnaissance vocale
Yomoni ou AtomBank, assurance-vie avec & compréhension du langage naturel, la
Advize ou FundShop…). connaissance client est ainsi captée par
les géants du web, qui seront plus à même
de proposer les services répondant aux
besoins des utilisateurs… au détriment des
banques traditionnelles.

[2] - https://acpr.banque-france.fr/autoriser/fintech-et-inno-
vation/nos-dossiers-thematiques/identification-et-connais-
sance-de-la-clientele-kyc
[3] - https://www.americanbanker.com/news/banks-add-ale-
xa-skills-to-develop-voice-command-services

5
La banque cible d’un écosystème riche et concurrentiel

LES STARTUPS

GAFA
paiement en ligne / mobile / ... transfert d’argent... ... voire un positionnement
paiement sans-contact... plus agressif de fournisseur de
services bancaire à l’image des
acteurs de la grande distribution

Dans un avenir proche, de nouveaux API par les banques traditionnelles étant
acteurs de l’open banking vont profiter prévue en septembre 2019. A l’image des
d’une ouverture du marché grâce à la transformations récentes du monde de
loi européenne DSP2 [4] et à la mise à l’énergie, les réflexions européennes tendent
disposition d’informations bancaires. par conséquent à intensifier la concurrence
Des canaux de communication sécurisés des services financiers et l’émergence de
permettront en effet de donner des nouveaux business models via l’exploitation
informations de comptes, la fourniture des de la data.

[4] - https://www.latribune.fr/entreprises-finance/banques-fi-
nance/paiement-la-directive-dsp2-entre-en-vigueur-c-est-
quoi-764449.html

6
 LE DOMAINE BANCAIRE EST DEJA MARQUE
PAR DE NOMBREUSES OPPORTUNITES IA A SAISIR

Pour répondre aux nouvelles attentes des En 2017, le rapport France is AI [5] listait
clients, les banques historiques se sont les multiples usages potentiels de l’IA
tournées vers des activités 100 % digitales dans les services financiers : gestion
pour tendre vers des coûts plus bas et une des Centres de Relation client, analyses
relation client simplifiée (spin-off digitales prédictives, Chatbots, etc. L’emploi d’outils
type INGDirect, Boursorama, Fortuneo, d’Intelligence Artificielle dans ce secteur
HelloBank!…). Mais si cette digitalisation a concerne en effet des applications très
progressé ces dernières années, le recours diverses et recouvre une grande variété de
à l’intelligence artificielle s’avère désormais fonctions, qui peuvent être divisées en trois
déterminant pour conserver l’avance en axes stratégiques :
matière de performance et relation client.

Efficacité opérationnelle, pour assister les équipes métiers sur des tâches plus ou moins
complexes et en augmenter la productivité : préparation de rendez-vous client, détection
de fraudes, analyse prédictive des comportements clients, etc.

Relation Client, pour assurer des réponses immédiates, personnalisées et 24h/24h :

FAQ dynamique, réalisation d’actions à la place du client, aide à la prise de RDV, etc.

Développement commercial, pour favoriser le cross-selling / l’up-selling, diminuer le

churn ou le taux d’attrition : catégorisation d’emails client avec pré-identification d’actions
commerciales à mener, systèmes de recommandation (suggestions argumentées pour un
client, opportunités de contact)
[5] - https://franceisai.com/conferences/conference-2017

7
Les banques se tournent aujourd’hui permettent par exemple d’analyser des
en particulier vers les cas d’usage liés à masses de données de tera- (voire peta-)
l’amélioration de l’efficacité opérationnelle, octets pour repérer, sans qu’ils aient été
à forte valeur ajoutée. Ces cas d’usage imaginés au préalable, des comportements
font souvent appel à des technologies anormaux. Ces applications concernent
relativement simples comme le RPA — l’ensemble du réseau bancaire (agences,
Robotic Process Automation —, et de internet, mobile), des marchés (entreprises,
manière croissante à des systèmes plus particulier, banque privée) et des moyens de
élaborés tels le NLG — Natural Language paiement associés.
Generation. Par exemple, des sociétés
Enfin, l’un des sujets phares relatifs à la
comme Yseop [6] implémentent en
relation client et à l’intelligence artificielle
quelques mois des cas d’usage autour de
reste… le ChatBot. Ces interfaces de
la génération de textes intelligents, pour
conversations donnent un accès plus rapide
aider les conseillers bancaires à préparer
et direct aux services Clients. Disponibles
leurs entretiens clients notamment. Dans
24h/24h, elles sont capables de répondre,
les Centres de Relation client bancaires, l’IA
via des textes préprogrammés, à plusieurs
apporte un appui sur des micro-tâches, pour
centaines voire milliers de questions, et
faciliter l’accès aux bases de connaissance,
de réaliser des actions à la place du client.
ou prendre en charge des conversations
Si elles modifient aujourd’hui la relation
clients simples. L’IA offre ici un gain de
client bancaire, leur véritable potentiel
temps non-négligeable.
de transformation réside cependant dans
Selon le rapport Intelligence Artificielle et les usages plus « novateurs », déjà en
Travail de France Stratégie [7], en matière production à l’étranger pour certains :
de relation client bancaire les outils d’IA recommandations personnalisées sur
qui traitent du volet règlementaire sont de l’optimisation d’investissements, aide
parmi les plus élaborés : détection de à la prévention et à la modélisation des
comportements frauduleux, notation du risques, aide à la souscription de produits,
risque crédit, etc. Les systèmes cognitifs reconnaissance des émotions, etc.

[6] - https://yseop.com/fr/
[7] - http://www.strategie.gouv.fr/sites/strategie.gouv.fr/
files/atoms/files/fs-rapport-intelligence-
artificielle-28-mars-2018.pdf

8
 BANK
EFFICACITÉ O PÉRATIO N NE LLE
HELP DESK RH RÉGLEMENTATION
/ / Traitement des demandes IT / / Traitement des demandes RH / / Détection de fraudes
Help Desk et outil de formation / / Obtention
PRODUCTIVITÉ d’informations KYC
/ / Analyse de
la productivité métier

D ÉVELO PPEM EN T CO M M ERC I AL

PROSPECTION VENTE RELATION CLIENT
/ / Aide à la prise / / Analyse des tendances / / Aide à la préparation des
de RDV en agence du marché demandes et réclamations
AVANT VENTE / / Scoring client intégrant
des infos externes
/ / Préparation de synthèses
client en amont d’un RDV RELATION CLIENT
/ / Etude des offres concurrentes
et recommandations
sur les produits

RELATIO N CL IEN T
INFORMATION CONSEIL FIDÉLISATION
/ / Informationssur les services / / Réalisation de / / Accompagnement clients
et démarches bancaires diagnostics personnalisés dans les voyages
OPÉRATIONS COURANTES / / Coaching dans / / Mise en relations avec
la gestion du patrimoine les différents partenaires
/ / Réalisation d’opérations
à la place du client / / Suggestion de renégociation / / Liste des avantages clients
des contrats des prêts y compris les offres
/ / Prévision de solde
/ / Coaching d’épargne des partenaires
/ / Accompagnement
(alertes...) ASSISTANCE
à la souscription
/ / Identification des
souscriptionsinutiles
& résiliation
/ / Traitement des demandes
et réclamations

9
 LE CHATBOT,
PAS VRAIMENT UNE REVOLUTION TECHNOLOGIQUE
Amelia, Rita, Emma, Luvo, Caro… Une myriade de ChatBots sont déployés à ce jour sur le
marché bancaire. Ces assistants virtuels, qui constituent l’un des champs d’application du
cognitif les plus célèbres, se basent sur les briques de la technologie Natural Language
Processing, pour comprendre les requêtes de ses utilisateurs. La pierre angulaire réside
dans la proposition de réponses personnalisées : affichage du solde, des autorisations de
paiements, des dernières transactions, etc.
A date, cette technologie en est à ses balbutiements. Elle repose en effet sur l’analyse de
milliers de conversations, parfois manuellement, par des centres de compétences dédiés.
Les conversations doivent couvrir un champ sémantique restreint sur des thématiques
spécifiques, sous peine d’un éparpillement du chatbot et donc d’un mauvais apprentissage.
Le chatbot est donc rapidement dépassé si la requête de l’utilisateur s’éloigne un peu des
thématiques pour lesquelles il a été entrainé.
Le déploiement d’un tel outil nécessite par ailleurs d’anticiper une phase de paramétrage
technique relativement longue — entre trois mois et un an selon le périmètre traité —
notamment pour permettre aux algorithmes de reconnaître les différentes formulations des
questions posées.
Pour le système d’information bancaire, le chatbot suppose enfin d’être en capacité de
mettre à sa disposition un certain nombre de données sensibles.
Dans le milieu bancaire Français, les ChatBots en sont encore à leurs prémices. Djingo,
l’assistant virtuel d’Orange Bank, est certes capable de philosopher, d’ailleurs il lui arrive de
citer Sénèque « La vie ressemble à un conte ; ce qui importe, ce n’est pas sa longueur, mais
sa valeur » — néanmoins il ne sait pas encore faire de recommandations, ou réaliser des
actions complexes pour ses clients.

Méfiez-vous des apparences,

je comprends un champ
sémantique restreint

10
 QUELLES ÉVOLUTIONS
POUR LA BANQUE DE DEMAIN EN FRANCE…

… P OUR LES CO NSEILLERS en optimisation de placements financiers ou

encore en communication interpersonnelle.
BA N CA IRES ?
Pour les conseillers, qui représentent un En matière d’organisation, l’apport de
employé sur cinq dans le milieu bancaire, l’IA pourra conduire à une spécialisation
le cognitif implique une réorganisation du des conseillers, traitant exclusivement
travail et des compétences requises. des demandes spécifiques et complexes
transférées par l’IA. Les systèmes cognitifs
Les réponses aux demandes clients simples
seront également en capacité d’optimiser le
seront toujours plus automatisées, en
temps d’attente et la qualité de service pour
réservant bien entendu les cas complexes
un client, en fonction de la disponibilité des
aux conseillers humains. En déchargeant
conseillers, de leurs domaines d’expertise,
les conseillers d’un certain nombre de
de la satisfaction client qu’ils ont généré par
tâches chronophages, leur temps dédié
le passé, etc.
aux activités commerciales va ainsi
augmenter (prospection, recommandations Enfin, l’IA pourra assister les conseillers
sur des solutions d’investissements, etc.), dans leur prise de décision, en étudiant
permettant de contribuer davantage les produits financiers qu’ils pourraient
au développement de l’activité. Cela proposer à leurs clients, en fonction de
n é ce ss i te ra p o u r l e s b a n q u e s d e situations financières spécifiques.
privilégier les formations en négociation,

MORGAN STANLEY ET SA PLATEFORME DE MACHINE LEARNING

A DESTINATION DES CONSEILLERS
L’objectif de la plateforme développée par la banque est d’assister les conseillers sur
des solutions d’investissements optimisées pour leurs clients. En quelques secondes, les
informations actualisées du marché en matière d’investissements sont prises en compte,
combinées aux données clients comme l’appétence au risque ou le calendrier des événements
de la vie courante (mariage, achat immobilier, etc.). L’outil suggère ensuite de contacter le
client via le canal de communication approprié (SMS, email ou téléphone), en fonction de ses
11
habitudes et de ses préférences.
 … P OUR LES FO N CT IONS SUPPORTS ? … POUR LES C L I E N TS ?
Quel que soit le secteur, la transformation Les exemples de mise en application de
des métiers associés aux fonctions supports dispositifs d’Intelligence Artificielle pour
s’inscrit dans les évolutions apportées par couvrir les besoins actuels des clients
l’intelligence artificielle. fleurissent à l’étranger. Il est ainsi naturel
de les envisager dans un futur proche en
Les algorithmes d’IA interviennent dans les
France. La mise en place d’outils basés
processus de développement des fonctions
sur l’IA présente en effet des avantages
IT chez Ubisoft [8], pour identifier les
multiples pour les clients, notamment,
erreurs de code avant même qu’il soit testé
obtenir des conseils toujours plus
par le développeur. La conformité et les
personnalisés plutôt qu’un produit résultant
opérations utilisent des solutions cognitives
d’une segmentation grossière.
pour détecter des anomalies dans les
transactions et détecter les fraudes. Pour les A terme la généralisation du Service
Ressources Humaines, de nombreux outils Client bancaire 24h/24h est par ailleurs
d’IA permettent d’augmenter la capacité susceptible de donner lieu à l’apparition
de traitement des candidatures, ou encore de services « low-costs ». Les banques
d’améliorer la qualité de l’information à pourraient obliger le client à payer pour
destination des collaborateurs, via la mise contacter un conseiller humain, en donnant
en place de ChatBots dédiés. exclusivement accès à un Service Client
virtualisé.
Avec l’automatisation des tâches les plus
routinières, ces évolutions sont susceptibles
[8] - https://siecledigital.fr/2018/03/09/ubisoft-utilise-lia-
de donner lieu à une complexification du pour-corriger-le-code-des-developpeurs/

travail.

Ce que l’on sait de l’IA aujourd’hui Ce que sera l’IA demain

AI market Rest of the AI World

Accelerators
Weak/Strong support for core
Chatbots, Robotic Process business needs : market supervision,
Automation, Voice, Text mining, AI-driven processes, investments
Natural Language Processing, and efforts earmarking, predictive
Web mining, Image/ maintenance, fraud detection, flows
Video Recognition prediction, ...
 LES TECHNOLOGIES IA PERSONETICS
AU SERVICE DES BANQUES ET DE LEURS CLIENTS
Fin 2017, la Royal Bank of Canada [9]
a mis en place la plateforme d’IA NOMI, destinée
à proposer du coaching financier personnalisé via de l’analyse prédictive. Basée sur
la technologie « Personetics », la solution couvre un large panel de fonctionnalités :
optimisation de l’épargne en fonction des habitudes de consommation du client, notification
lors de transactions inhabituelles, anticipation des mouvements de comptes et proposition
d’actions pertinentes, etc. Pour la banque, NOMI est un moyen de démultiplier les
opportunités commerciales, tout en apportant davantage de valeur aux clients. Le constat
est le même chez Digibank — la banque mobile Asiatique de DBS Bank — qui utilise le Chat
Bot KAI pour couvrir des fonctionnalités similaires. Depuis son lancement en septembre
dernier, l’engouement suscité entre autres par KAI a permis de convaincre 1,8 millions
de nouveaux clients .
[10]

[9] - https://personetics.com/personetics-enables-canadian-bank-to-deliver-ai-powered-financial-guidance-and-automated-savings/
[10] - https://kasisto.com/dbs-bank-and-kasisto-named-best-digital-bank-by-celent/

13
 COMMENT SE DOTER DES SAVOIR-FAIRE
EN INTELLIGENCE ARTIFICIELLE ?

Les banques renforcent naturellement leurs dispositifs en intelligence artificielle

pour s’adapter à un écosystème devenant de plus en plus compétitif. Ce changement
de cap doit être mûrement réfléchi, en se questionnant notamment sur sa place dans
cet écosystème composé de fin-tech, néo banques, banques en lignes plus rapides &
innovantes, et donc à son identité de demain.

Historiquement bien implantée dans nos sociétés, la banque a pu se développer un

patrimoine de données à valoriser par opposition aux nouveaux entrants. Ce patri -
moine lui confère un avantage concurrentiel qu’il est opportun de saisir pleinement.

M a i s p a r q u e l b o u t co m m e n ce r ? Co m m e nt d o te r l ’e nt re p r i s e d ’ u n s avo i r- fa i re e n
Intelligence Artificielle, pérenne et à réel potentiel de valeur ?

14
 « The promise of AI will only be delivered if banks engage
deep transformations around data.
V INCE NT BAST ID Data is the fuel of AI, the data pipelines have to be structured
CEO de E FMA
to capture data everywhere, from every customer contact.
Data has to be gathered into data lake or at least connected from
internal silos to be accessible. Banks will need to get new skill
sets like data scientists, and infuse the culture of data in business
lines, IT, management. Talent attractiveness and retention will
be key. Agility provided by fintech, cloud providers and new
organization is the path.»

DÉFINIR UN E A MBITION MÉTIER donnant lieu à de lourdes déperditions

d’investissements. Nous n’insisterons jamais
RÉA LISTE EN M ATIÈRE D’IA
assez sur la définition de la finalité et de
A date, rares sont les entreprises l’ambition IA que doit se fixer la banque au
témoignant d’une orientation IA qui soit préalable, afin de bâtir une feuille de route
claire. Il est assez commun de constater des IA adaptée. Cette définition pourra être
fourmillements désordonnés d’initiatives appréciée au regard des critères suivants :

Quel niveau d’ambition : auto-disruption ? best in class ? suiveur ? opportuniste ?

Quel niveau d’investissement est-on prêt à engager ? Quel calendrier ?

Quels marqueurs forts ? « IA pour la performance opérationnelle » ? « IA pour la relation

client » ? « IA pour de nouvelles offres » ? « IA pour l’image » ?

Quel modèle éthique, quelle responsabilité sociale ? : « AI first » vs « Human first »

Quel impact sur les modèles opérationnels : devenir éditeur logiciel ?

15
Un enjeu fort pour la banque sera de UNE CONDITI ON P OU R U N E DÉ MAR C H E
partager sa vision et ses orientations
IA RÉUSSIE ? U N MAN AG E ME N T
avec tous les pans de son organisation :
formations, séminaires, présentations de
DE LA DONNÉ E MAI T R I S É
technologies et de mise en œuvre UCs Cette question se pose aux prémices
concrets etc. Cela aura pour effet de faire de tout projet en data science et en
porter ses orientations à tous les niveaux intelligence artificielle. Construire des
de l’entreprise, mais surtout de faire la briques IA sur des données peu maîtrisées
chasse aux idées préconçues et in fine constitue une source majeure d’inefficacité
intéresser le business. Car une approche IA à toutes les phases du projet, du POC à
doit être avant tout portée par les métiers. l’industrialisation, un frein à la valorisation
Combien de fois entendons-nous dire que du potentiel des données, et met en risque
l’IA c’est uniquement pour les scientifiques… la fiabilité de la solution IA.
Il est pourtant possible d’expliquer l’IA
Il est ainsi crucial de se saisir de l’épineuse
simplement, notamment si on raisonne cas
question du data management et il
d’usage.
conviendra d’adapter son ambition IA en
fonction de l’exploitabilité de son patrimoine
de données.

16
La maitrise des données dans une entreprise peut s’envisager autour de 4 axes forts

1 Caractériser et maîtriser le patrimoine via une démarche d’architecture

de la donnée, en construisant des modèles de données conformes
aux standards, en catégorisant les données, en cartographiant les sources.

2 Construire un socle SI performant, évolutif, industrialisé et centré sur

la donnée. Les fondations du SI (stockage, intégration, traitements),
s’accompagneront des métadonnées et données de références permettant
de connaître à tout instant l’état de son patrimoine.

3 Se doter d’une structure de gouvernance des données adaptée pour

pérenniser la démarche. L’organisation, les processus et contrôles liés
à la collecte, au stockage et à la restitution des données sont la pierre
angulaire du data management.

4 Enfin, définir les politiques de gestion et d’usage des données en tenant

compte de la réglementation et du GPDR. Quelles données sont sensibles ?
Qui peut en avoir l’accès ? Combien de temps les conserve-t-on ? etc...

La question du data management ne doit que ces initiatives abondent, le manque de

pas être centrée « outils » mais plutôt coordination sur ces sujets peut donner lieu
centrée « finalités ». Il faut d’abord avoir un à des redondances de cas d’usages et de
plan clair sur ce qu’on veut/peut contrôler solutions, et in fine, un sur investissement.
avant de poser la question d’outiller.
La création d’un Smart Lab va donc
LE DATA LA B EST MORT, permettre de fédérer et centraliser les
initiatives IA. Ce Smart Lab doit devenir le
VIVE LE S M A RT LAB !
lieu physique fédérateur et inspirant, connu
Ambition fixée, données exploitables… de tous, et cœur battant de l’Intelligence
A présent, mettons en œuvre les premières Artificielle de l’entreprise… Mais qu’est-ce
initiatives autour de l’IA. Cependant, bien qu’un Smart Lab ?

17
Qu’est-ce qu’un smart lab ?

1 C’EST UNE START-UP IMMERGÉE DANS L’ORGANISATION, elle doit sortir du schéma
classique « client/fournisseur » pour viser un schéma « actionnaire/startup »,

2 C’EST UNE STRUCTURE AGILE TANT DANS SON ORGANISATION

QUE DANS SA FAÇON DE DÉLIVRER. Les Proof of Concept qui y sont réalisés couvrent
des durées courtes, jusqu’à 3 mois pour les PoCs les plus complexes,

3 C’EST UNE STRUCTURE APPUYÉE PAR UN FORT SPONSOR MÉTIER , pour gagner
en visibilité, attirer les directions métiers, et légitimer les initiatives,

4 C’EST UN LABORATOIRE PHYSIQUEMENT INCARNÉ DANS UN LIEU

DÉDIÉ FACILEMENT IDENTIFIABLE, et potentiellement dupliqué géographiquement et
« digitalement » si l’organisation le nécessite.

5 C’EST UNE STRUCTURE QUI CAPITALISE SUR L’EXPÉRIENCE IA DÉVELOPPÉE

VIA LES REX DES POCS ET INDUSTRIALISATIONS. Pour une capitalisation durable de
la connaissance acquise par les expériences Smart Lab, il sera primordial d’associer des acteurs
internes à ces initiatives, et de communiquer sur les REX.

6 C’EST UN PÔLE TRANSVERSE IMPLIQUANT NOTAMMENT :

Des métiers qui ont une posture d’actionnaires : jouant un rôle de board de la start-up,
ils portent souvent le budget, expriment leurs besoins et cas d’usages, définissent les attendus
et ROI.
Des Data scientists : habilités à faire parler la donnée, tester le potentiel de valeur de l’IA pour
chaque UC, et contribuer à l’industrialisation des POCs réussis...
Des architectes SI : ils apportent des recommandations expertes dans le cadre de l’industrialisation
des initiatives réussies en phase de POC. Les data scientists doivent être en effet conscients
du contexte IT de la banque pour rendre les POCs à fort ROI industrialisables. Réciproquement,
les acteurs SI devront appréhender les contraintes des data scientists.

18
Un premier objectif pour le Smart Lab sera l’analyse des processus métiers existants.
d’identifier proprement et prioriser les cas Pour chacun d’eux, il conviendra de définir
d’usages à mettre en œuvre. L’identification son potentiel de valeur, par exemple via les
des premières initiatives IA devra se faire par axes suivants :

GAIN ET ROI ENVISAGÉ :

Il sera toujours plus aisé de valider un projet avec ROI quantitatif (par exemple,
bénéfices à 3 ans, nombre d’ETP économisés) qu’un gain moins tangible
(ex : niveau de satisfaction client, niveau de satisfaction des collaborateurs).

COMPLEXITÉ DE RÉALISATION :

Par exemple : quel sera le degré de complexité des algorithmes envisagés ?

L’outil IA devra-t-il consommer des données temps réel et fournir les résultats
au client instantanément ? Quel est le volume de données à traiter quotidien-
nement ? Quels seront les risques pour l’entreprise associés aux pannes de
l’outil IA ? Quel impact sur les processus et gestes métiers ?

ACCEPTATION PAR LES UTILISATEURS FINAUX :

Apprécier la recevabilité par l’utilisateur final du cas d’usage envisagé.

19
CAP SUR LA VALEUR AJOUTÉE simple que le machine learning, la valeur
ajoutée pour l’utilisateur final est certaine.
DU CAS D’USAGE, PLUTÔT QUE
Par exemple, les technologies RPA ont
LA TECHNOLOGIE UTILISÉE permis au Centre de Relation client d’une
Les cas d’usage relatifs à l’intelligence grande banque américaine de réduire le
artificielle reposent entre autres sur le temps moyen de traitement d’une demande
machine learning, les réseaux de neurones de 4 minutes à moins de 30 secondes, en
ou encore le traitement du langage naturel. optimisant leur routage. Les conseillers
Mais cette jungle de termes plus séduisants ont pu gagner près de 70% de capacité à
et futuristes les uns que les autres ne doit faire, soit plus de 3 jours de travail dans leur
pas nous détourner de la recherche de semaine.
valeur ajoutée maximale du cas d’usage.
Les réseaux de neurones artificiels auront
Prenons l’exemple des technologies RPA, toujours plus d’audience que les règles de
Robotic Process Automation. En première gestion métier : cependant, bien que l’offre
approche, celles-ci désignent la robotisation en algorithmes de machine learning soit
de tâches simples et cent pour cent tendance, il sera vital de garder le cap sur
déterministes, via des règles de gestion, des cas d’usage à plus forte valeur ajoutée,
et non de l’apprentissage d’un phénomène même si la technologie sous-jacente est
par un algorithme. Si la méthode est plus bien plus simple.

20
 MAKE OR BUY ? QUI REALISE LES CAS D’USAGE
IA DANS LE CADRE DU SMART LAB ?
Pour tester et implémenter vos initiatives IA, vous disposez d’une large palette
de possibilités :
// Des développements internes par vos propres data scientists et data engineers
// Des cabinets spécialistes en data science
// Des fournisseurs externes s’appuyant notamment sur le Cloud : IBM-Watson, Google,
AWS, Azure…
// Des purs players on-premise & cloud, via notamment un riche écosystème de startups

Mais alors, qui choisir ? Pour chaque cas d’usage, cette question implique des modèles
opérationnels de réalisation et des budgets très différents en fonction des solutions choisies.
Les motivations faisant pencher la balance sont nombreuses. On retiendra surtout que
vos activités cœurs de métier et marqueurs de différenciation doivent se tourner vers
l’in-house. La banque doit en effet avoir une pleine maitrise des données & technologies
relatives à son business. Cependant, il faudra être lucide sur ce que cela implique car ce
faisant, votre entreprise devient éditeur de logiciels IA (versionning, MCO, multi-OS…) avec
toute la complexité que cela implique.
A l’inverse le recours aux plateformes Cloud sera LA solution de demain pour toutes les « IA
d’interface » : n’essayez pas de réinventer des OCR, la reconnaissance d’image ou le speech
to text… Google le fera mieux que vous et vos différentiateurs ne sont pas là. Cependant, le
transit des données sur des plateformes externes soulève des questions sur la sécurité, le
besoin d’anonymisation, l’exploitation avérée ou non des données par le fournisseur externe.

Mise à part ces premières conditions sine-qua-non, d’autres éléments à prendre en compte
pourront être :
// La capacité à faire : En termes de ressources humaines et compétences disponibles
mais également en termes d’infrastructure et de technologie
// Le time to market
// La maitrise de son capital IA : quelle possibilité de rapatriement d’un algorithme
entrainé sur des plateformes externes. Que se passe-t-il si demain il est décidé de
changer de provider ?
// Le coût
// L’impact sur l’image de la banque perçue par les clients et collaborateurs, si l’on
s’appuie par exemple sur un fournisseur tel qu’Amazon ou Google.

21
 Make or Buy ? Suivez notre arbre de décision !

Proposition d’arbre de décision générique à adapter aux ambitions de votre organisation,

à l’existence de partenariat stratégique, etc… L’important est de définir et partager ses
propres règles pour éviter les nombreuses impasses !

Market Watch
(solutions marchés, startups...)

Make
NO
Accélérateurs* NO
Make
marché NO PoC =
YES YES Bench Solution success
Make Coeur + Industrialisation
Cœur Accélarateurs* OK YES Buy Accélérateurs !
Cas d’usage Marché vs YES
Métier
Open-source YES
NO Make

NO Urgent
Bench
solutions Solution
NO
marché + Deep OK NO
dive techno
PoC =
Buy
YES success

YES
Sourcing briques d’infrastructure (Infra Big-Data, MDM,...) Industrialisation
y.c. accès à Accélérateurs
Analytics standard (OCR, Image, T2S...)

*Accélérateur = solution Marché existante, ! Industrialisation parfois plus

souvent «API d’interface» (OCR, Image, T2S, complexe en Make qu’en Buy
Search Engine...) qu’il serait inutile (intégration SI, MCO
de reconstruire de zéro open-source...)

22
CO MM ENT PA SS ER DES POCS Le manque de synergies entre les
directions est en effet la première cause
À L’ INDUST RIA LI SATION ?
de retards à l’industrialisation. Preuve
Si le POC atteste du potentiel de valeur en est par l’exemple, auprès d’un acteur
des données, l’étape suivante n’est pas du monde de l’énergie : le langage de
des moindres. Nombre de projets ont été développement de l’algorithme de prévision
avortés du fait d’un manque d’anticipation du taux d’attrition avait été développé via
liée à l’industrialisation… La clé d’une le langage python sans solliciter la DSI. Par
industrialisation réussie ? Une collaboration la suite, au démarrage de l’industrialisation
forte entre les directions métiers, le Smart cependant, il a été imposé que l’intégration
Lab et la DSI, aux prémices des POCs. de l’algorithme se code en Java. 6 mois ont
été nécessaires pour recoder et valider
Cette collaboration permettra premièrement
l’algorithme…
d’assurer la cohérence entre les technologies
envisagées en POC et les contraintes Enfin, le comportement des applications
techniques, l’architecture et les modèles IA intégrant des algorithmes de Machine
opérationnels du SI existant, et d’intégrer Learning dépend directement des données
les directions métiers aux évolutions sur lesquelles s’effectue l’apprentissage
futures des standards du SI. Elle aura pour automatique. Ainsi, un changement
second objectif de promouvoir un modèle significatif de ces données sources lors
opérationnel d’industrialisation partagé de l’industrialisation peut engendrer
par tous. Entre autres, les data scientists une déviation lourde des algorithmes.
devront être responsabilisés jusqu’au MCO Les résultats obtenus peuvent s’avérer
des algorithmes mis en place. totalement faux !

23
 L’IA EST VULNERABLE AUX
CYBERATTAQUES, PROTEGEONS-LA !

Les algorithmes du monde bancaire traitent lui fournissait des informations détaillées
des données toujours plus sensibles et relatives à un autre client ?
tendent à s’inscrire dans des processus clés
Rappelons en effet l’onde de choc liée à
pour l’entreprise. Il est donc primordial de
Tay. Tay était une intelligence artificielle
s’assurer que ces systèmes ne peuvent pas
connectée à Twitter : elle apprenait des
être compromis, car une telle compromission
tweets de la communauté afin de devenir
aurait des conséquences opérationnelles,
une vraie tweeteuse. Tay est passée, en
financières et règlementaires, et porterait
une nuit à peine, d’un profil d’adolescente
atteinte à l’image de la banque. Que feraient
ordinaire à celui d’une personne raciste et
les clients d’une banque réputée ne pas
homophobe. Petit tsunami de l’océan des
maîtriser sa transformation numérique et
assistants cognitifs…
ses innovations, si ce n’est la fuir ? Que
ferait un client si son interlocuteur chatbot

24
La raison ? Des utilisateurs du forum Pour rendre le système d’IA plus robuste,
4chan lui ont envoyé des milliers de les mesures de sécurité minimales restent
messages douteux, que Tay a appris en assez simples, comme la modération et le
toute innocence. D’aucuns diront que le filtrage des données en entrée ou en sortie
drame de Tay est comparable à celui d’un du système. Il convient aussi de s’intéresser
enfant à grand potentiel mais qui a reçu à la sécurisation des infrastructures qui
une éducation abjecte. L’IA peut ainsi être supportent ces systèmes (plateformes du
considérée comme une arme redoutable si Smart Lab, systèmes de production, etc.) et
un processus malveillant interfère dans sa à la protection des données qui y transitent,
dynamique d’apprentissage. tout particulièrement si des services SaaS
sont utilisés. À ces premières mesures
A ce propos, quatre grands types de
s’ajouteront des analyses de risques et
menaces contre l’IA fondent l’actualité :
tests d’intrusion pour garantir l’atteinte des
// L’empoisonnement, à l’image de Tay, besoins de sécurité.
où l’attaquant tente de manipuler le
Des mesures spécifiques rendent la
système en y injectant des données
compromission du système encore plus
à but malveillant pendant la phase
complexe, telles la defensive distillation
d’apprentissage.
(combinaison de deux systèmes rendant
// L’évasion, où l’attaquant manipule le modèle plus robuste) ou le gradient
les données d’entrée afin de tromper masking, ou même les adversial examples
l’IA durant la phase de prédiction (données créées spécialement pour faire
(exemple : la voiture autonome ne échouer le modèle), pour durcir le modèle
lit plus les panneaux stop [11], ou et rendre les tentatives de compromission
dans un autre registre, l’IA anti-spam futures plus complexes.
est détournée en mettant du texte
taille 0 [12]). De la surveillance doit être enfin adossée,
notamment sur la recherche de tentatives
// L’inférence, où l’attaquant comprend
de modifications des données d’entrée,
le modèle régissant l’IA pour savoir
ou de dérive du modèle durant la phase
comment le détourner (exemple :
d’utilisation, etc.
l’Iphone X se débloque en utilisant un
masque [13]) [11] - https://www.silicon.fr/ia-des-voitures-autonomes-
tombe-dans-le-panneau-modifie-182143.html/?inf_by=5b3e-
// Le vol de données, où l’attaquant 1395671db8ad388b4ed8
parvient à mettre la main sur le [12] - https://thehackernews.com/2018/06/email-phi-
shing-protection.html
modèle généré par le système et son [13] - https://www.01net.com/actualites/iphone-x-ce-
comportement, ce qui lui permet de masque-permet-de-contourner-face-id-en-quelques-se-
condes-1314296.html
s’emparer de données non prévues
voire de déduire les données utilisées
durant l’apprentissage

25
L’INTELLIGENCE ARTIFICIELLE SYNONYME
DE REDUCTION D’EMPLOIS ?

26
En diminuant drastiquement les coûts de des tâches répétitives d’analyse de pièces
gestion par une automatisation des tâches justificatives, assistés dans la détection des
à faible valeur ajoutée, tout en améliorant la opérations frauduleuses, bénéficiant de
satisfaction client et la gestion des risques, reportings automatiques et en temps réel
les solutions IA deviennent incontournables. sur leurs périmètres, les collaborateurs vont
Le remplacement des activités des naturellement se concentrer sur les tâches à
opérateurs humains s’avère alors indéniable, plus forte valeur ajoutée. Par exemple, l’IA
comme l’illustre le basculement progressif va recentrer le conseiller vers des tâches de
du contact (physique) vers le contact conseil et de prise de décision structurante :
digital. Il est ainsi naturel de s’interroger moins de gestion administrative et d’analyse
sur le futur emploi des collaborateurs de la de données, plus d’accompagnement client,
banque. Converge-t-on vers une drastique et ce, grâce aux soutiens de solutions
réduction du nombre de postes, au profit d’intelligence artificielle.
de l’Intelligence Artificielle ?
C’est par exemple le pari qu’est en train
d’embrasser La Poste en mariant le digital
A I FIRST OR HUMAN FIRST? et la proximité des 100 000 facteurs avec
Il est tout d’abord nécessaire de rappeler les français : un modèle mixte où les assets
que l’IA ne peut exister sans opérateur historiques, en l’occurrence humains, sont
humain. Bien qu’elle soit synonyme de réinventés grâce à l’IA plutôt que remplacés.
rupture des pratiques actuelles, son Du point de vue des clients, nous parions
degré de maturité est encore faible et sur le besoin croissant de pouvoir faire face
un remplacement intégral des activités à « de vrais conseillers » sur les besoins
humaines par l’IA reste de l’ordre de la complexes. Je ne souhaite pas forcément
science-fiction. De plus les nouvelles avoir mon conseiller bancaire pour faire
réglementations comme la GDPR du 25 mai un virement… mais j’aimerais qu’il puisse
2018 renforcent l’encadrement des usages vraiment me consacrer du temps sur mes
et en limitent donc les potentialités. projets d’achat immobilier. Le 100 % IA
Dans les années à venir, l’IA pourra permettre ne sera donc pas forcément un bon choix
au conseiller de lui libérer du temps stratégique ! Passé l’effet de buzz sur l’IA,
pour mieux traiter les sujets complexes les organisations qui réussiront seront celles
où son « empathie » et sa « capacité qui sauront allier la puissance de l’IA et la
d’abstraction » vont être clés. Délestés richesse de la proximité humaine.

27
L’ IA SY NO N Y ME D E DISPARITION VERS LA CON ST RU C T I ON
D ’ E M PLOIS OU D E M UTATION ? D’UNE RELATI ON
L’IA sera vecteur de mutation et non de GAGNANT — G AG N AN T
disparition d’emplois si et seulement Aux banques d’accompagner leurs
si les acteurs du monde bancaire ne collaborateurs afin de les faire travailler en
tournent pas le dos à cette tendance. La coopération parfaite avec ces nouvelles
précédente révolution technologique a technologies. Cet accompagnement sera
montré que de nombreux pays dynamiques gagnant-gagnant : le collaborateur aura
industriellement (fort taux d’emplois moins de tâches rébarbatives tout en
d’ouvriers et techniciens notamment) permettant à la banque d’augmenter sa
sont les pays qui ont été à la pointe de la profitabilité.
robotisation (Allemagne, Japon, Corée…)
et non ceux qui lui ont tourné le dos. Pour ce faire, des plans de formation et de
Concrètement, ces pays ont observé montée en compétences des conseillers
une diminution du nombre d’emplois par sont depuis longtemps à l’ordre du jour des
chaine de production unitaire… mais une banques américaines, afin de leur permettre
multiplication des usines et des chaines de de comprendre les avantages procurés par
production dans ces pays, maintenant au ces solutions et les synergies homme /
total un emploi significatif. machine possibles. Un des objectifs clés
est de faire réaliser aux opérationnels que
Les compétences nécessaires et les les avancées IA réalisées par l’entreprise ne
typologies d’emplois évolueront très sont pas synonymes de baisse d’activité
progressivement sur 2 dimensions : les mais plutôt une opportunité de n’avoir à
compétences techniques (data-science) se concentrer que sur les activités à forte
et les compétences humaines (proximité valeur ajoutée.
et relation client). Mais cela ne se fera pas
sans un accompagnement profond des Une approche intéressante envisagée par
collaborateurs… et ceci pour toutes les certains groupes mutualistes consiste à
catégories d’emploi. ne valider que les uses-case explicitement
plébiscités par les collaborateurs.

28
 EN SYNTHESE, PASSEZ D’UNE IA
« GADGET TECHNO » (PAILLETTES)
A UNE IA « ASSET CŒUR » (CONCRETE)

Et si vous animiez les use case métiers de SI bancaires complexes (et leur évolution) ?
façon coordonnée, priorisée, rythmée et « Développer un modèle d’IA n’est pas
orientée résultats tangibles… plutôt qu’un compliqué… le faire tomber durablement
foisonnement d’usines à PoCs, pleines de en marche dans un SI complexe l’est ».
vertus pour la trajectoire d’expérience de
Et si nous arrivions enfin à trouver des
vos collaborateurs… mais assez stériles en
réponses simples et adaptées aux épineuses
termes de performance opérationnelle ou
questions de Management, Qualité et
d’expérience client ?
Gouvernance de la données… en rendant
Et si nous nous penchions un peu plus sur tangibles les manques à gagner sur des cas
les cas d’usages « back-office » réputés d’usages réels plutôt qu’en choisissant a
moins nobles pour le métier et le data- priori des outils magiques pour externaliser
scientist, mais sources de gains rapides et de le problème.
premier ordre (automatisation et fléchage
Et si les prochains Vivatech permettaient de
des efforts de compliance, scoring/filtrage
démontrer comment vous avez visiblement
amont des demandes de crédit, détection
amélioré l’expérience client / collaborateur
des fraudes…) ?
ou dopé vos performances grâce à des
Et si nous nous structurions pour être IA cœur de métier… plutôt qu’un feu
en mesure de réellement maîtriser la d’artifice de startups — certes souvent
construction, l’apprentissage et la vie des brillantes — mais dont on a parfois du mal
algorithmes d’IA en cohérence avec les à comprendre comment elles contribuent
réalités, les capacités et les compétences des à vos différentiateurs de demain ?

29
 GLOSSAIRE DES PRINCIPAUX TERMES
// Apprentissage supervisé : apprentissage d’un algorithme à partir d’exemples
du passé. Cet algorithme sera utilisé pour réaliser des prédictions à partir
de nouvelles données (ex. : apprentissage d’un détecteur de fraude à partir
d’exemples de dossiers frauduleux et non-frauduleux déjà vérifiés, etc.).

// Apprentissage non supervisé : apprentissage d’un algorithme consistant

à trouver des structures sous-jacentes à partir de données non étiquetées
(ex. : patterns de paiements, etc.). Elle permet de détecter des patterns à faire
analyser par des experts métiers (pattern de paiements légaux/frauduleux,
etc.) pour analyse.

// Apprentissage par renforcement : apprentissage d’un algorithme sur

la base d’un comportement qu’il a effectué. L’action de l’algorithme
sur l’environnement produit une valeur de retour qui guide l’algorithme
d’apprentissage. Par exemple, un véhicule autonome va être « récompensé »
sur la qualité de conduite et va prendre des décisions pour maximiser cette
« récompense ».

// Arbre de décision : modèles de prédiction basés sur un ensemble de choix

sous la forme graphique d’un arbre. Chacun des nœuds de l’arbre représente
une décision à prendre. Le random forest est une version plus aboutie qui
permet un apprentissage sur de multiples arbres de décision indépendants.

// Classification : ensemble des techniques de machine learning permettant

de séparer les données en différents groupes de même nature
(ex. : le profilage client, etc.).

// Data Mining : ensemble des techniques d’exploration de données permettant

d’extraire des connaissances afin de décrire le comportement actuel
des données ou prédire le comportement futur des données.

// Data Science : ou science des données. C’est le domaine de l’étude

des données : elle permet de collecter, nettoyer, analyser et tirer parti
de données afin d’en dégager des tendances ou des prédictions.

30
// Feature engineering : processus consistant à extraire et sélectionner
des caractéristiques pertinentes et d’utiliser la connaissance du domaine
des données pour créer des fonctionnalités qui seront utilisées par algorithmes
d’apprentissage automatique.

// Hadoop : outil libre et open source destinée à faciliter la création d’applications

distribuées sur plusieurs serveurs pour optimiser le traitement de données
du Big Data.

// Intelligence Artificielle : ou IA. Elle consiste à mettre en œuvre un certain

nombre de techniques visant à permettre aux machines d’imiter une forme
d’intelligence réelle.

// Machine Learning : ou Apprentissage Machine en Français. Techniques

et algorithmes fournissant des capacités d’apprentissage aux ordinateurs.

// Natural Language Processing / Natural Language Understanding / Natural

Language Generation : ensemble des techniques permettant à une machine
d’analyser et de comprendre le langage humain pour transformer du texte
en données exploitables par la machine ou pour générer du texte à partir de
données informatiques.

// Python / R / Spark : principaux langages de programmation & frameworks

utilisés pour le développement d’outils d’intelligence artificielle.

// Régression : ensemble de techniques de machine learning permettant

de trouver une relation entre des données et une variable numérique
et continue (ex. : le montant d’un prêt bancaire, le taux d’attrition, etc.).

// Réseaux de neurones : Représentations mathématiques et informatiques

des neurones biologiques et de leurs connexions. Ces modèles cherchent
à mimer l’apprentissage du cerveau humain dans l’acquisition des
connaissances.

// RPA (Robotic Process Automation) : ils permettent de remplacer

des processus manuels et métiers répétitifs par des processus robotisés.
La RPA peut être augmentée par du Machine Learning et permettre
le traitement de tâches à plus forte valeur ajoutée.

// Système expert : outil capable de reproduire les mécanismes cognitifs

d’un expert, dans un domaine particulier.

31
www.wavestone.com

Dans un monde où savoir se transformer est la clé du succès,

l’ambition de Wavestone est d’apporter à ses clients des réponses uniques sur le marché,
en les éclairant et les guidant dans leurs décisions les plus stratégiques.
Wavestone rassemble 2800 collaborateurs présents sur 4 continents.
Il figure parmi les leaders indépendants du conseil en Europe,
et constitue le 1er cabinet de conseil indépendant en France.

32