Directeur des connaissances en apprentissage automatique [Partie 3 Édition Finance]

'Director of Machine Learning Knowledge [Part 3]'.

Si vous êtes intéressé par la construction de solutions d’apprentissage automatique plus rapides, visitez hf.co/support dès aujourd’hui !

👋 Bienvenue dans notre série de Directeurs des connaissances en apprentissage automatique, édition Finance ! Si vous avez manqué les éditions précédentes, vous pouvez les trouver ici :

• Directeur des connaissances en apprentissage automatique [Partie 1]
• Directeur des connaissances en apprentissage automatique [Partie 2 : Édition SaaS]

Les directeurs de l’apprentissage automatique dans le secteur financier sont confrontés à des défis uniques pour naviguer dans les systèmes hérités, déployer des modèles interprétables et maintenir la confiance des clients, le tout en étant soumis à une réglementation stricte (avec beaucoup de surveillance gouvernementale). Chacun de ces défis nécessite une connaissance approfondie de l’industrie et une expertise technique pour être piloté efficacement. Les experts suivants de la U.S. Bank, de la Royal Bank of Canada, de Moody’s Analytics et d’un ancien chercheur scientifique chez Bloomberg AI aident à découvrir des pépites uniques dans le secteur de l’apprentissage automatique x finance.

Vous entendrez parler d’un champion de tennis junior grec, d’un auteur publié avec plus de 100+ brevets et d’un joueur de polo à vélo qui jouait régulièrement au plus ancien club de polo du monde (le Calcutta Polo Club). Tous sont devenus des experts financiers en apprentissage automatique.

• Bienvenue fastai sur le Hugging Face Hub
• Nous avons collecté 100 millions de dollars pour l’apprentissage automatique ouvert et collaboratif 🚀
• L’appel à candidatures pour le Programme des Ambassadeurs Étudiants est ouvert !

🚀 Attachez vos ceintures, voici les principaux enseignements des pionniers financiers de l’apprentissage automatique :

Avertissement : Toutes les opinions sont celles des individus et non de leurs employeurs passés ou actuels.

Ioannis Bakagiannis – Directeur de l’apprentissage automatique et des sciences du marketing chez RBC

Parcours : Expert passionné de l’apprentissage automatique avec une expérience dans la fourniture de solutions d’apprentissage automatique évolutives, de qualité de production et de pointe. Ioannis est également l’hôte du podcast Bak Up et cherche à avoir un impact sur le monde grâce à l’IA.

Anecdote amusante : Ioannis a été champion junior de tennis national grec.🏆

RBC : Les principales organisations mondiales se tournent vers RBC Capital Markets en tant que partenaire innovant et de confiance dans les marchés des capitaux, la banque et la finance.

1. Comment l’apprentissage automatique a-t-il un impact positif sur la finance ?

Nous savons tous que l’apprentissage automatique est une force perturbatrice dans toutes les industries, tout en créant continuellement de nouvelles opportunités commerciales. De nombreux produits financiers ont été créés ou modifiés grâce à l’apprentissage automatique, tels que l’assurance personnalisée et le marketing ciblé.

Les perturbations et les bénéfices sont formidables, mais mon impact financier préféré a été la conversation initiée par l’apprentissage automatique autour de la confiance dans la prise de décision financière.

Dans le passé, les décisions financières telles que l’approbation de prêts, la détermination des taux, la gestion de portefeuille, etc. étaient toutes prises par des humains ayant une expertise pertinente. Essentiellement, les gens faisaient confiance à “d’autres personnes” ou à des “experts” pour les décisions financières (et souvent sans poser de questions).

Lorsque l’apprentissage automatique a tenté d’automatiser ce processus de prise de décision, les gens ont demandé : “Pourquoi devrions-nous faire confiance à un modèle ?”. Les modèles semblaient être des boîtes noires de malheur venant remplacer des personnes honnêtes. Mais cet argument a initié la conversation sur la confiance dans la prise de décision financière et l’éthique, indépendamment de qui ou de quoi est impliqué.

En tant qu’industrie, nous définissons encore cette conversation, mais avec plus de transparence, grâce à l’apprentissage automatique dans la finance.

2. Quels sont les plus grands défis de l’apprentissage automatique dans la finance ?

Je ne peux pas parler au nom des entreprises, mais les institutions financières établies connaissent une lutte continue, comme toutes les organisations de longue date : les systèmes hérités.

Les organisations financières existent depuis un certain temps et elles ont évolué au fil du temps, mais aujourd’hui, elles se retrouvent en quelque sorte en tant que “sociétés technologiques”. Ces organisations doivent faire partie des technologies de pointe afin de pouvoir rivaliser avec les nouveaux venus, tout en maintenant la robustesse qui fait fonctionner notre monde financier.

Cette bataille interne est faussée par l’appétit pour le risque des institutions. Le risque financier augmente linéairement (généralement) avec l’échelle de la solution que vous fournissez, car nous parlons d’argent. Mais en plus de cela, il existe d’autres formes de risques qu’une défaillance du système entraînera, tels que les risques réglementaires et de réputation. Ce risque combiné, ainsi que la complexité de la migration d’un système énorme et mature vers une nouvelle pile technologique, est, à mon avis, le plus grand défi de l’adoption de technologies de pointe telles que l’apprentissage automatique.

3. Quelle est une erreur courante que vous voyez les gens faire en essayant d’intégrer l’apprentissage automatique dans les applications financières ?

L’apprentissage automatique, même avec toute son attention récente, est encore un domaine relativement nouveau dans l’ingénierie logicielle. Le déploiement d’applications d’apprentissage automatique n’est souvent pas un processus bien défini. L’artiste/ingénieur peut fournir une application d’apprentissage automatique, mais le monde qui l’entoure n’est toujours pas familier avec le processus technique. À cette intersection entre les mondes technique et non technique, j’ai observé les erreurs les plus courantes.

Il est difficile d’optimiser les bons indicateurs de performance commerciale et d’apprentissage automatique (ML KPIs) et de définir la bonne fonction objectif ou les étiquettes souhaitées. J’ai vu des applications être gaspillées en raison de fenêtres de prédiction indésirables ou parce qu’elles prédisent les mauvaises étiquettes.

Le pire scénario survient lorsque le désalignement n’est pas découvert lors de l’étape de développement et qu’il se retrouve en production.

Ensuite, les applications peuvent générer un comportement utilisateur indésirable ou simplement mesurer/prédire la mauvaise chose. Malheureusement, nous avons tendance à équiper les équipes d’apprentissage automatique d’outils et de calculs, mais pas de processus solides et de tampons de communication. Et les erreurs au début d’un processus mal défini augmentent à chaque étape.

4. Qu’est-ce qui vous excite le plus dans l’avenir de l’apprentissage automatique (ML) ?

Il est difficile de ne pas s’enthousiasmer pour tout ce qui est nouveau dans l’apprentissage automatique. Le domaine change si fréquemment que c’est rafraîchissant.

Actuellement, nous sommes bons pour résoudre des problèmes individuels : vision par ordinateur, prédiction du mot suivant, génération de points de données, etc., mais nous n’avons pas encore été en mesure de résoudre plusieurs problèmes en même temps. Je suis excité de voir comment nous pouvons modéliser ces comportements dans des expressions mathématiques qui semblent actuellement se contredire. J’espère que nous y arriverons bientôt !

Debanjan Mahata – Directeur de l’IA et de l’apprentissage automatique chez Moody’s Analytics / Ancien chercheur en sciences de la recherche @ Bloomberg AI

Parcours : Debanjan est directeur de l’apprentissage automatique au sein de l’équipe IA chez Moody’s Analytics et est également professeur adjoint à l’IIIT-Delhi, en Inde. Il est un chercheur actif et s’intéresse actuellement à divers problèmes d’extraction d’informations et de techniques d’adaptation de domaine en traitement du langage naturel (NLP). Il a une expérience avérée dans la formulation et l’application de l’apprentissage automatique à divers cas d’utilisation. Il participe activement au comité de programme de différentes conférences de premier plan en apprentissage automatique.

Anecdote amusante : Debanjan a joué au polo à vélo au plus ancien club de polo du monde (le Calcutta Polo Club) quand il était enfant.

Moody’s Analytics : Fournit des outils d’intelligence financière et d’analyse qui soutiennent la croissance, l’efficacité et les objectifs de gestion des risques de nos clients.

1. Comment l’apprentissage automatique (ML) a-t-il eu un impact positif sur la finance ?

L’apprentissage automatique (ML) a eu un impact positif significatif dans l’industrie financière de plusieurs manières. Par exemple, il a aidé à lutter contre la criminalité financière et à identifier les transactions frauduleuses. L’apprentissage automatique a été un outil essentiel dans des applications telles que le screening Know Your Customer (KYC) et le Anti Money Laundering (AML). Avec une augmentation des amendes AML par les institutions financières du monde entier, un domaine des sanctions en constante évolution et une plus grande complexité du blanchiment d’argent, les banques augmentent leurs investissements dans les technologies KYC et AML, dont beaucoup sont alimentées par l’apprentissage automatique. L’IA révolutionne plusieurs aspects de ce secteur, en particulier en apportant de grands gains d’efficacité en automatisant divers processus et en aidant les analystes à réaliser leur travail de manière plus efficace et précise.

L’un des traits utiles clés de l’apprentissage automatique est sa capacité à apprendre et à trouver des motifs cachés dans de grandes quantités de données. Avec un accent sur la numérisation, le secteur financier produit des données numériques plus que jamais, ce qui rend difficile pour les humains de les comprendre, de les traiter et de prendre des décisions. L’apprentissage automatique permet aux humains de donner un sens aux données, d’en tirer des informations et de prendre des décisions éclairées. Chez Moody’s Analytics, nous utilisons l’apprentissage automatique et aidons nos clients à mieux gérer les risques et à répondre aux exigences commerciales et sectorielles.

2. Quels sont les principaux défis de l’apprentissage automatique (ML) dans le domaine de la finance ?

1. Réduire les faux positifs sans impacter les vrais positifs – Un certain nombre d’applications utilisant l’apprentissage automatique (ML) dans l’espace regtech reposent sur des alertes. Avec des mesures réglementaires strictes et des conséquences financières importantes d’une décision erronée, les enquêtes humaines peuvent être longues et exigeantes. L’IA aide certainement dans ces scénarios en aidant les analystes humains à prendre les bonnes décisions. Mais si un système d’apprentissage automatique (ML) produit beaucoup de faux positifs, cela rend le travail des analystes plus difficile. Trouver le bon équilibre est un défi important pour l’apprentissage automatique (ML) dans la finance.

2. Écart entre la recherche et l’éducation de base en apprentissage automatique et l’apprentissage automatique dans la finance – En raison de la nature réglementée de l’industrie financière, nous constatons peu d’échanges d’idées, de données et de ressources entre la recherche de base et le secteur financier dans le domaine de l’apprentissage automatique. Il y a bien sûr quelques exceptions. Cela a conduit à une pénurie de développement de la recherche en apprentissage automatique qui répond aux besoins de l’industrie financière. Je pense qu’il faut faire plus d’efforts pour réduire cet écart. Sinon, il sera de plus en plus difficile pour l’industrie financière de tirer parti des dernières avancées en matière d’apprentissage automatique (ML).

3. Infrastructure et bases de données héritées – De nombreuses institutions financières utilisent encore des infrastructures héritées, ce qui rend difficile l’application des technologies d’apprentissage automatique modernes et surtout leur intégration. L’industrie financière bénéficierait d’emprunter des idées clés, de la culture et des meilleures pratiques de l’industrie technologique lorsqu’il s’agit de développer de nouvelles infrastructures et de permettre aux professionnels de l’apprentissage automatique d’innover et d’avoir un plus grand impact. Il existe certainement des défis liés à l’opérationnalisation de l’apprentissage automatique (ML) dans l’ensemble de l’industrie.

4. Gouvernance des données et des modèles – Il faut faire davantage d’efforts dans les domaines de la gouvernance des données et des modèles. À mesure que nous collectons de plus en plus de données, il faut redoubler d’efforts pour collecter des données de haute qualité et les bonnes données. Des précautions supplémentaires doivent être prises lorsque des modèles d’apprentissage automatique sont impliqués dans la prise de décision. Des mesures et des cadres de gouvernance des modèles appropriés doivent être développés pour différentes applications financières. Un grand défi dans cet espace est le manque d’outils et de technologies pour opérationnaliser la gouvernance des données et des modèles, qui sont souvent nécessaires pour les systèmes d’apprentissage automatique (ML) opérant dans ce secteur. Il faut également faire plus d’efforts pour comprendre les biais dans les données qui entraînent les modèles et comment les atténuer dans le processus global. Assurer l’auditabilité, la traçabilité des modèles et des données a été un défi pour les équipes d’apprentissage automatique (ML).

5. Explicabilité et interprétabilité – Développer des modèles à la fois hautement précis et interprétables et explicables est un grand défi. Les modèles d’apprentissage profond modernes surpassent souvent les modèles plus traditionnels ; cependant, ils manquent d’explicabilité et d’interprétabilité. La plupart des applications dans la finance exigent de l’explicabilité. Il est nécessaire d’adopter les derniers développements dans ce domaine et de garantir le développement de modèles interprétables avec des prédictions explicables. Cela a été un défi.

3. Quelle est une erreur courante que vous voyez les gens commettre en essayant d’intégrer l’apprentissage automatique dans les applications financières?

• Ne pas comprendre les données et les prédictions brutes faites par les modèles d’apprentissage automatique formés sur ces données.
• Ne pas analyser les efforts infructueux et en tirer des enseignements.
• Ne pas comprendre l’application finale et comment elle sera utilisée.
• Essayer des techniques complexes alors que des solutions plus simples pourraient suffire.

4. Qu’est-ce qui vous excite le plus à propos de l’avenir de l’apprentissage automatique?

Je suis vraiment impressionné par la façon dont les modèles d’apprentissage automatique modernes apprennent des représentations riches de texte, audio, images, vidéos, code, etc. en utilisant l’apprentissage auto-supervisé sur de grandes quantités de données. L’avenir est certainement multimodal et il y a eu des progrès constants dans la compréhension du contenu multimodal à travers le prisme de l’apprentissage automatique. Je pense que cela jouera un rôle crucial dans un avenir proche et cela me passionne et j’ai hâte de faire partie de ces avancées.

Soumitri Kolavennu – Responsable de l’intelligence artificielle – Analyse d’entreprise et IA chez U.S. Bank

Parcours: Soumitri Kolavennu est un vice-président principal et responsable de la recherche en IA dans l’organisation d’analyse d’entreprise et d’IA de U.S. Bank. Il se concentre actuellement sur l’apprentissage profond basé sur le traitement du langage naturel, l’analyse de la vision et de l’audio, les réseaux neuronaux graphiques, la fusion des capteurs et des connaissances, les données de séries temporelles avec des applications à l’automatisation, à l’extraction d’informations, à la détection de fraudes et à la lutte contre le blanchiment d’argent dans les systèmes financiers.

Auparavant, il occupait le poste de responsable des chercheurs et de chercheur principal chez Honeywell International Inc. où il travaillait sur l’IoT et les systèmes de contrôle appliqués aux maisons intelligentes, aux villes intelligentes, aux systèmes industriels et automobiles.

Anecdote amusante: Soumitri est un inventeur prolifique avec plus de 100 brevets américains délivrés dans des domaines variés tels que les systèmes de contrôle, l’Internet des objets, les réseaux sans fil, l’optimisation, la suralimentation, la reconnaissance vocale, l’apprentissage automatique et l’IA. Il compte également une trentaine de publications, a rédigé un livre et des chapitres de livre, et a été élu membre du comité de la grille intelligente du NIST.

U.S. Bank: La plus grande banque régionale aux États-Unis, U.S. Bank combine ses équipes de relation, ses succursales et son réseau de distributeurs automatiques avec des outils numériques qui permettent aux clients de faire leurs opérations bancaires quand, où et comment ils le souhaitent.

1. Comment l’apprentissage automatique a-t-il eu un impact positif sur la finance?

L’apprentissage automatique et l’intelligence artificielle ont eu un impact profond et positif sur la finance en général et la banque en particulier. Il existe de nombreuses applications dans le domaine bancaire où de nombreux facteurs (caractéristiques) doivent être pris en compte lors de la prise de décision, et l’apprentissage automatique a traditionnellement aidé à cet égard. Par exemple, le score de crédit sur lequel nous nous appuyons tous universellement est dérivé d’un algorithme d’apprentissage automatique.

Au fil des ans, l’apprentissage automatique a également aidé à éliminer les biais humains des décisions et a fourni une approche algorithmique cohérente pour les décisions. Par exemple, dans l’octroi de cartes de crédit/prêts et les prêts hypothécaires, les techniques d’IA modernes peuvent prendre en compte davantage de facteurs (texte libre, tendances comportementales, interactions sociales et financières) pour les décisions tout en détectant également la fraude.

2. Quels sont les plus grands défis de l’apprentissage automatique dans la finance?

L’industrie de la finance et de la banque présente de nombreux défis en raison de la nature de l’industrie. Tout d’abord, il s’agit d’une industrie fortement réglementée avec une surveillance gouvernementale dans de nombreux aspects. Les données qui sont souvent utilisées sont des données très personnelles et identifiables (numéros de sécurité sociale, relevés bancaires, déclarations de revenus, etc.). Il faut donc prendre beaucoup de précautions pour créer des modèles d’apprentissage automatique et d’IA qui soient privés et impartiaux. De nombreuses réglementations gouvernementales exigent que tous les modèles soient explicables. Par exemple, s’il est refusé un prêt, il est fondamental de pouvoir expliquer pourquoi il a été refusé.

Les données, en revanche, qui peuvent être rares dans d’autres industries, sont abondantes dans le secteur financier (les enregistrements hypothécaires doivent être conservés pendant 30 ans, par exemple). La tendance actuelle à la numérisation des données et à l’explosion de techniques d’IA/ML plus sophistiquées a créé une opportunité unique pour l’application de ces avancées.

3. Quelle est l’erreur la plus courante que vous voyez les gens commettre en essayant d’intégrer l’apprentissage automatique dans les applications financières ?

Une des erreurs les plus courantes que les gens commettent est d’utiliser un modèle ou une technique sans comprendre les principes de fonctionnement sous-jacents, les avantages et les limitations du modèle. Les gens ont tendance à considérer les modèles d’IA/ML comme une ‘boîte noire’. En finance, il est particulièrement important de comprendre le modèle et d’être capable d’expliquer sa sortie. Une autre erreur est de ne pas tester de manière exhaustive le modèle sur un espace d’entrée représentatif. Les performances du modèle, la validation, les capacités d’inférence et la surveillance du modèle (intervalles de réentrainement) sont tous des éléments importants à prendre en compte lors du choix d’un modèle.

4. Qu’est-ce qui vous enthousiasme le plus à propos de l’avenir de l’apprentissage automatique ?

Il n’y a jamais eu de meilleur moment pour travailler dans l’apprentissage automatique et l’IA appliquée. Les techniques en IA/ML sont certainement en train de raffiner, voire de redéfinir, de nombreuses disciplines scientifiques. Je suis très enthousiaste à propos de la manière dont tous les développements en cours façonneront l’avenir.

Quand j’ai commencé à travailler dans le TALN, j’étais émerveillé par la capacité des réseaux neuronaux/modèles de langage à générer un nombre ou un vecteur (que nous appelons maintenant des embeddings) qui représente un mot, une phrase avec la grammaire associée, voire même un paragraphe. Nous sommes constamment à la recherche d’embeddings de plus en plus appropriés et contextuels.

Nous sommes allés bien au-delà d’un embedding “simple” pour un texte jusqu’aux embeddings “multimodaux” qui me fascinent encore plus. Je suis très enthousiaste et j’ai hâte de générer et de jouer avec ces nouveaux embeddings qui permettront des applications encore plus passionnantes à l’avenir.

---

🤗 Merci de nous avoir rejoints pour cette troisième édition des Insights des Directeurs de l’IA. Restez à l’écoute pour plus d’informations de la part des Directeurs de l’IA.

Un grand merci à Soumitri Kolavennu, Debanjan Mahata et Ioannis Bakagiannis pour leurs brillantes idées et leur participation à cet article. Nous sommes impatients de suivre votre succès continu et nous vous soutiendrons à chaque étape. 🎉

Si vous souhaitez accélérer votre feuille de route en matière d’apprentissage automatique avec les Experts de Hugging Face, veuillez visiter hf.co/support pour en savoir plus.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!