L'intelligence artificielle dans la gestion des risques bancaires
Qu'est-ce que l'IA ?
De manière générale, l'intelligence artificielle (IA) permet aux machines de penser par elles-mêmes. Par exemple, les ordinateurs peuvent ingérer des données (par exemple des séquences vidéo, des informations sur les tendances du marché ou des modèles météorologiques) et les analyser au moyen d'algorithmes complexes afin de repérer les tendances et de faire des prédictions. L'IA peut révéler des informations que l'analyse statistique traditionnelle ne peut pas fournir.
L'IA dans le secteur bancaire
La capacité de l'IA à repérer des modèles et à prédire des résultats la rend indispensable à la gestion des risques dans le secteur bancaire. La gestion des risques par l'IA permet aux banques de mieux comprendre et d'atténuer les risques plus efficacement.
Les technologies de l'IA permettent aux banques d'évaluer un grand nombre de points de données et de dégager rapidement des informations leur permettant de se protéger contre les pertes et de stimuler le retour sur investissement pour leurs clients. En s'appuyant sur des ensembles de données vastes et complexes, les banques peuvent développer des modèles de risque plus précis que ceux basés sur une analyse statistique standard.
Gestion des risques en temps réel pour les banques
Les nouvelles priorités telles que l'atténuation du risque de contrepartie, les tests de résistance et la détection intelligente des fraudes exigent des réponses rapides. Pour y remédier, les banques cherchent à gérer les risques en temps réel à partir de leur plateforme de services d'IA, ce qui nécessite des infrastructures, des bibliothèques et des accélérateurs matériels optimisés pour les charges de travail d'IA.
Technologie de gestion des risques bancaires
Les technologies couramment utilisées par les banques pour la gestion des risques liés à l'IA sont les suivantes :
Machine Learning
Le machine learning utilise des paramètres provenant de données connues et existantes pour prédire le résultat d'un ensemble similaire de données. Pour ce faire, il s'appuie sur un ensemble prescrit de critères considérés comme importants dans l'ensemble des données. Par exemple, Proportunity utilise le machine learning pour prévoir avec précision les prix des maisons et identifier celles dont la valeur augmente en fonction de critères tels que l'historique des prix, la disposition de la propriété, le code postal, les commerces environnants et la criminalité. L'entreprise utilise ces informations pour proposer des prêts participatifs contre le prix à venir et aider les primo-accédants à investir dans le logement.
Apprentissage approfondi
Le deep learning est un type de machine learning qui fait l'objet d'une attention accrue dans le secteur bancaire. Contrairement au machine learning, les algorithmes de deep learning n'ont pas besoin d'être informés des critères importants dans les ensembles de données. Au lieu de cela, ils découvrent eux-mêmes les caractéristiques des données à l'aide d'un réseau neuronal. Les banques utilisent le deep learning pour résoudre des problèmes extrêmement complexes qui sont difficiles à résoudre par machine learning.
Traitement du langage naturel
Le traitement du langage naturel fournit aux outils de gestion des risques bancaires la capacité de comprendre les communications humaines verbales et écrites, y compris l'intention et le sentiment. Les outils de deep learning et de machine learning sont souvent utilisés pour améliorer les capacités de traitement naturel.
Analytique et Big Data
Si l'analytique des Big Data ne nécessite pas nécessairement des capacités d'IA, elle est utilisée de manière similaire pour aider les banques à dégager des informations et à mieux comprendre leurs risques. Des outils tels que Hadoop ont permis aux départements informatiques des banques de placer les capacités analytiques à proximité des sources de données, ce qui permet d'obtenir des informations plus rapidement.
Types de risques dans le secteur bancaire
Dans l'ensemble du secteur bancaire, les technologies d'IA sont appliquées à un nombre toujours plus grand de risques.
Risque de crédit
Le risque de crédit est basé sur la perte potentielle subie lorsque les emprunteurs ou les contreparties n'effectuent pas les paiements sur les dettes. Dans ce domaine, les banques utilisent des technologies de machine learning et de traitement du langage naturel pour effectuer des analyses de probabilité de défaut plus étendues et plus approfondies, ainsi que pour améliorer leur détection des signes d'alerte précoce.
Risque de marché
Face aux fluctuations des marchés financiers, les banques sont confrontées à des menaces considérables pour leurs résultats financiers. Pour suivre l'évolution rapide des facteurs du marché, les banques utilisent des outils d'IA tels que le machine learning, le deep learning et le traitement du langage naturel pour prévoir les tendances et améliorer la prise de décision. Par exemple, une banque peut utiliser un outil d'IA pour analyser des quantités massives d'activités sur les réseaux sociaux et déterminer le sentiment actuel des consommateurs à l'égard d'une société cotée en bourse. Ces informations peuvent ensuite être utilisées pour anticiper l'activité du marché ou la stratégie d'investissement correspondante.
Risque opérationnel
Le risque opérationnel désigne le risque de perte due à des systèmes ou des processus internes inadéquats, ainsi que la perte résultant de violations du système ou d'interruptions de service. Pour faire face à ce risque, les algorithmes de machine learning peuvent ingérer des quantités massives de données, y compris des données non structurées telles que des rapports écrits sur les risques, afin d'aider les banques à repérer les domaines à améliorer et à identifier les facteurs extérieurs qui présentent le risque le plus important.
Risque de modèle
Les banques utilisent une variété de modèles pour faire des prédictions et planifier leurs activités. Mais que se passe-t-il lorsque l'un de ces modèles de référence est erroné ? Ce risque est appelé risque de modèle. Pour l'atténuer, les banques utilisent l'IA pour surveiller les autres systèmes de machine learning et d'IA et identifier les biais, l'équité, l'inexactitude et l'utilisation abusive des algorithmes.
Risque de cybersécurité
Dans notre monde de plus en plus connecté, les banques sont confrontées à des menaces de cybersécurité provenant de vecteurs d'attaque plus nombreux que jamais. Pour détecter les activités malveillantes et atténuer les risques, ils utilisent des technologies de machine learning et de deep learning pour identifier les anomalies sur les systèmes informatiques et prédire le comportement des attaquants, comme le choix de la cible ou la méthode d'infiltration.
Risque de contagion
Les banques sont également confrontées au risque que d'autres effets économiques nuisent à leurs activités, comme un krach financier sur un marché étranger influençant un contrat de prêt existant, ou les impacts sur le marché mondial causés par la pandémie de COVID-19. Les technologies de deep learning et de machine learning sont appliquées ici pour aider les banques à comprendre les impacts potentiels, à repérer les signes d'alerte des autres banques et à déterminer les mesures d'atténuation appropriées.
Risque de conformité
La conformité réglementaire est un processus rigoureux et complexe pour les banques. Ils sont constamment confrontés au risque de sanctions légales, de pertes financières ou d'impacts négatifs sur leur réputation en raison du non-respect des lois et des normes. Pour atténuer ce risque, de nombreuses banques se tournent vers les technologies informatiques confidentielles qui permettent de rationaliser la conformité tout en améliorant considérablement la sécurité des charges de travail et des données sensibles. Les banques utilisent également des technologies d'IA pour détecter les lacunes en matière de conformité et garantir le respect des directives.
Technologie bancaire Intel®
Intel travaille avec un vaste écosystème de partenaires (y compris des OEM, des ISV et des OSV) pour permettre aux banques d'exploiter la valeur commerciale de leurs investissements en IA et d'optimiser les charges de travail d'IA pour les exécuter sur l'architecture Intel®.
Nous nous efforçons constamment de repousser les limites aux côtés de nos partenaires industriels. Par exemple, avec notre partenaire logiciel Matlogica, nous avons multiplié par plus de mille la vitesse des calculs de prix xVA sur les processeurs Intel® Xeon® Scalable. Nous avons également collaboré avec Quantifi pour accélérer de 700 fois les évaluations de produits dérivés en utilisant l'IA sur les processeurs Intel®.
Nous proposons une gamme d'outils permettant de rationaliser et d'accélérer le développement de logiciels d'IA, notamment des investissements importants dans des infrastructures d'IA telles que PyTorch et TensorFlow.
Les processeurs Intel® Xeon® Scalable intègrent des fonctionnalités d'IA telles que l'Intel® Deep Learning Boost, un accélérateur d'IA qui permet aux banques d'extraire rapidement des informations de leurs données. Nous proposons également le jeu d'instructions Intel® Advanced Vector Extensions 512 (Intel® AVX-512), qui augmente les performances des charges de travail de calcul complexes telles que les applications de tarification XVA. Nos prochains processeurs Sapphire Rapids offriront encore plus d'avancées en matière d'IA, notamment la prise en charge d'Advanced Matrix Extensions pour accélérer les charges de travail à forte densité matricielle telles que le machine learning.
Enfin, nous proposons un portefeuille de technologies de stockage et de mémoire Intel® Optane™ qui offrent le débit supérieur et la faible latence requis par les charges de travail d'IA. Cela permet à des partenaires clés tels que KX et Hazelcast de répondre aux besoins de leurs clients en matière de gestion des risques en temps réel.