L’Intelligence Artificielle est « the next big thing » pour les chercheurs en informatique du monde entier. Dans le cadre du secteur bancaire et financier, l’enjeu commercial est important et tous les acteurs développent leurs cellules de recherche en interne. Edouard d’Archimbaud est responsable du Lab Data & IA chez BNP Paribas, laboratoire composé d’une trentaine de personnes, dont une dizaine de data-scientists.

IN Banque : Pouvez-vous resituer la place de l’Intelligence Artificielle dans la banque ?
Edouard d’Archimbaud : L’Intelligence Artificielle – IA – pour une banque comme BNP Paribas, c’est la capacité de traiter à échelle industrielle des données non structurées pour en extraire des services à valeur ajoutée. Historiquement, la banque a développé une expertise sur de la donnée structurée nous permettant de gérer au mieux les risques liés à l’accompagnement de nos clients – c’est la donnée chiffrée, celle qu’on peut facilement mettre dans un tableur Excel.

Nous allons désormais employer cette expertise, combinée à des capacités informatiques et digitales renforcées, pour traiter des données dites non structurées – textes, voix, images etc. Les données non structurées représentent 80% du volume global des données. Le traitement de ces données va nous permettre d’améliorer l’expérience client et notre efficacité opérationnelle.

Je pense que l’intelligence de traitement des données fait partie de l’ADN d’une banque comme BNP Paribas. L’IA est simplement un nouveau levier de traitement de ces données, et cela, toujours avec un sens aigu et une expérience de protection des données de nos clients.

Quelle est la place de l’intelligence artificielle au sein de BNP Paribas ? Et comment votre Lab s’intègre-t-il dans cette stratégie?
Nous développons l’IA de manière décentralisée, en collaboration avec toutes les lignes de métiers, pour qu’elle soit traitée avec, par et pour tous. Il n’y a pas que des data-scientists mais aussi des développeurs software, des web designers, des banquiers, du conseil interne. Le but étant que ce Lab ne soit pas un trou noir dans lequel sont testées des applications jamais développées – mais qu’elles passent réellement en production pour qu’elles soient utilisées par les 190 000 collaborateurs de BNP Paribas.

Quelles sont les actions que l’IA vous a déjà permis d’entreprendre ?
Nous avons développé, par exemple,  un outil de traduction automatique en nous appuyant sur le deep learning et sur les technologies open source. L’outil s’appuie sur un algorithme d’un laboratoire de recherche américain, disponible en libre accès. Après une phase de test de cet outil de traduction maison, nous avons obtenu un modèle plus approprié aux spécificités d’une banque, qui donne de meilleurs résultats que les traducteurs standards existants sur le marché. Pour un groupe présent dans 74 pays, c’est un réel atout.

Par ailleurs, nous travaillons sur les chatbots, ces nouvelles interfaces conversationnelles, qui seront probablement les interfaces de demain – de la même façon que l’on utilise aujourd’hui des applications mobiles et hier on consultait des sites web.

Enfin, nous voulons proposer des services innovants. Par exemple, nous avons récemment développé un outil de lecture automatique de nos contrats. Cet outil analyse en 15 secondes un contrat de 150 pages.

Protection des données, complémentarité hommes / machines… Quelles sont les difficultés que vous rencontrez ?
Le véritable enjeu aujourd’hui n’est plus seulement de collecter la donnée, mais aussi de la rassembler, de l’étiqueter et de la construire. Par exemple, pour transcrire automatiquement de la voix en texte, il faut soit le faire à la main soit trouver des moyens intelligents pour cela. Aujourd’hui, le système fonctionne très bien si on nourrit l’IA de modèles qui lui permettent d’apprendre. Avec des millions de lignes en anglais et en français, on peut construire un modèle de traduction – mais si je n’en ai qu’une centaine, je ne peux quasiment rien faire. Aujourd’hui, nous voulons développer des méthodes d’apprentissage beaucoup plus économes en données.

On parle aussi de l’apprentissage non-supervisé, c’est-à-dire être capable d’apprendre des choses qui ne nécessitent pas d’exemple. Les lois en physique notamment, on en a tous un jour ou l’autre fait l’expérience : si un verre est posé sur une table et qu’on le pousse, on sait qu’il va tomber, même si personne n’a jamais eu besoin de nous l’expliquer. On développe du bon sens. Ceci est un champ de recherche immense pour ceux qui s’intéressent au machine-learning.

> Retrouvez aussi l’entretien vidéo d’Edouard d’Archimbaud réalisé lors d’IN BANQUE 2018