UOB et Standard Chartered adoptent une approche régulée de l’IA
Pour dépasser des systèmes de données fragmentés et intégrer l’IA dans les opérations bancaires quotidiennes, deux banques ont dû concilier innovation et contraintes réglementaires. Elles poursuivent l’IA pour réduire les inefficacités et tirer de la valeur des données, tout en abordant d’abord les exigences de gouvernance, d’évolutivité et de conformité.
Gestion des silos de données
Le parcours de transformation des données a commencé avec le lancement d’un programme de gouvernance des données. À cette époque, la banque faisait face à plusieurs défis : des sources de données fragmentées, l’absence d’une stratégie cohérente et une faible culture des données au sein de l’organisation.
La croissance exponentielle des données issues des transactions numériques a rendu les plateformes héritées lentes et coûteuses. Cela a entravé l’adoption de technologies avancées telles que l’IA.
De son côté, l’autre banque avait besoin d’une plateforme capable de centraliser la gouvernance tout en respectant les exigences réglementaires et de sécurité en local. Cela nécessitait des contrôles de gouvernance tels que la traçabilité des données et l’application de politiques.
Préparation au déploiement
Avant de déployer ses cas d’utilisation de l’IA générative, l’autre banque devait surmonter deux défis majeurs : s’assurer que les données prêtes pour l’IA étaient disponibles et pouvaient être ingérées de manière fiable, tout en maintenant un accès suffisant à la puissance de calcul.
La mise en place d’un environnement contrôlé a permis aux équipes internes de l’IA de fonctionner plus efficacement, facilitant ainsi l’expérimentation et la validation.
Transformation des affaires
Suite à un partenariat, plusieurs initiatives d’IA ont été mises en production, incluant des modèles d’IA axés sur l’optimisation des portefeuilles et l’engagement client. Ces initiatives ont amélioré l’efficacité opérationnelle et optimisé les processus de gestion des risques.
Par exemple, l’analyse des données des transactions a permis de construire un modèle prédictif pour prévoir les besoins en espèces des distributeurs automatiques, réduisant ainsi les déplacements inutiles de fonds.
En matière de gestion des risques, des indicateurs comportementaux et des modèles d’apprentissage automatique ont été développés pour identifier des activités et transactions inhabituelles, renforçant ainsi la conformité et les exigences de gouvernance.
Perspectives d’avenir
Avec l’adoption de cette plateforme, les deux banques ont pu gérer, sécuriser et analyser les données à travers des environnements locaux et cloud tout en maintenant une architecture régulée. Cette fondation leur permet de construire et d’opérationnaliser des cas d’utilisation de l’IA tout en respectant des normes réglementaires strictes.
