{"id":35535,"date":"2023-09-05T16:09:56","date_gmt":"2023-09-05T14:09:56","guid":{"rendered":"https:\/\/www.accuracy.com\/?p=35535"},"modified":"2025-10-23T14:22:16","modified_gmt":"2025-10-23T12:22:16","slug":"comment-lintelligence-artificielle-et-la-science-des-donnees-faconnent-le-secteur-des-services-financiers","status":"publish","type":"post","link":"https:\/\/www.accuracy.com\/fr\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/","title":{"rendered":"Comment l'intelligence artificielle et la science des donn\u00e9es fa\u00e7onnent le secteur des services financiers"},"content":{"rendered":"

Pourquoi l'intelligence artificielle <\/b>pour les institutions financi\u00e8res ?<\/b><\/h3>\n

L'intelligence artificielle (IA) est un domaine qui combine l'informatique et l'analyse de donn\u00e9es pour r\u00e9soudre des probl\u00e8mes de la vie r\u00e9elle. L'intelligence artificielle est peut-\u00eatre n\u00e9e dans des \u0153uvres de fiction, mais elle a commenc\u00e9 \u00e0 montrer sa v\u00e9ritable puissance lorsqu'AlphaGo, un mod\u00e8le d'IA qui joue au jeu de soci\u00e9t\u00e9 Go, est devenu imbattable en 2016. C'\u00e9tait \u00e9tonnant, car on pensait que le jeu de Go \u00e9tait trop compliqu\u00e9 pour les ordinateurs, du moins pour quelques d\u00e9cennies encore. Mais aussi impressionnant que soit AlphaGo, il s'agit toujours d'une IA faible. Aujourd'hui, les d\u00e9veloppeurs d'IA travaillent \u00e0 l'\u00e9laboration d'une IA forte. ChatGPT et GPT-4 sont certainement les perc\u00e9es les plus r\u00e9centes qui nous montrent que l'IA n'est pas seulement quelque chose de futur - elle est l\u00e0 maintenant.<\/span><\/p>\n

L'IA est d\u00e9j\u00e0 appliqu\u00e9e dans de nombreux secteurs et domaines de recherche o\u00f9 de nombreuses donn\u00e9es sont disponibles. Les services financiers sont certainement l'un de ces secteurs. Par exemple, l'assistant financier IA de Bank of America, Erica, est l'un des mod\u00e8les les plus avanc\u00e9s et l'un des premiers mod\u00e8les largement disponibles. Depuis son lancement en 2018, Erica a aid\u00e9 pr\u00e8s de 32 millions de clients de Bank of America \u00e0 g\u00e9rer leur vie financi\u00e8re. Il apprend au fil des conversations avec les clients et \u00e9tend ses capacit\u00e9s en permanence. Il existe de nombreuses autres applications de l'IA dans le secteur des services financiers, notamment l'acquisition et l'accueil des clients, la connaissance du client (KYC), la prise de d\u00e9cision en mati\u00e8re de cr\u00e9dit, la segmentation, la fid\u00e9lisation et la vente crois\u00e9e, pour n'en citer que quelques-unes.<\/span><\/p>\n

Dans ce document, nous aborderons quelques termes et algorithmes cl\u00e9s de l'IA, suivis de quelques cas d'utilisation de l'IA dans le secteur des services financiers et d'une analyse des tendances.<\/span><\/p>\n

Qu'est-ce que la science des donn\u00e9es et l'intelligence artificielle ?<\/b> ?<\/h3>\n

La science des donn\u00e9es (SD) est un domaine d'\u00e9tude interdisciplinaire qui utilise divers mod\u00e8les statistiques et informatiques pour extraire des informations et des connaissances pr\u00e9cieuses \u00e0 partir de donn\u00e9es bruyantes. L'intelligence artificielle (IA) d\u00e9signe le domaine d'\u00e9tude qui simule l'intelligence humaine pour mener \u00e0 bien les processus d'apprentissage, de r\u00e9flexion et d'action.<\/span><\/p>\n

L'apprentissage automatique est une branche de l'intelligence artificielle qui permet aux machines d'apprendre et de s'am\u00e9liorer. Dans le domaine de l'apprentissage automatique, il existe un domaine subsidiaire sp\u00e9cialis\u00e9 dans l'utilisation de r\u00e9seaux neuronaux pour apprendre des mod\u00e8les \u00e0 partir de donn\u00e9es. Il s'agit de l'apprentissage profond (deep learning, DL). <\/span>\u00c9tant donn\u00e9 que l'apprentissage automatique, par construction, implique le d\u00e9veloppement d'un mod\u00e8le et son entra\u00eenement \u00e0 l'aide de donn\u00e9es, il s'appuie fortement sur des m\u00e9thodes math\u00e9matiques, statistiques et informatiques pour calibrer le mod\u00e8le \u00e0 l'aide de donn\u00e9es brutes. Cela recoupe le domaine de la science des donn\u00e9es.<\/span><\/p>\n

Figure 1 \u00a0 <\/span><\/i>Relations entre l'IA, l'apprentissage automatique (ML) et la science des donn\u00e9es (DS)<\/span><\/p>\n

\"\"<\/p>\n

Br\u00e8ve introduction au glossaire commun<\/b><\/h3>\n
    \n
  • Traitement du langage naturel<\/strong>
    \n<\/span>Le traitement du langage naturel (NLP) permet aux machines de lire et de comprendre le langage humain sous la forme de donn\u00e9es structur\u00e9es et non structur\u00e9es. Le traitement du langage naturel a \u00e9t\u00e9 largement adopt\u00e9 dans le secteur des services financiers, de la banque de d\u00e9tail aux fonds sp\u00e9culatifs. Parmi les techniques de traitement du langage naturel, citons l'extraction de donn\u00e9es \u00e0 partir de rapports ou de m\u00e9dias sociaux, l'analyse des sentiments, la r\u00e9ponse \u00e0 des questions, etc.<\/span><\/li>\n
  • Apprentissage automatique<\/strong><\/li>\n<\/ul>\n

    L'apprentissage automatique est une branche de l'IA et de l'informatique qui se concentre sur l'utilisation de donn\u00e9es et d'algorithmes pour imiter la fa\u00e7on dont les humains apprennent, en am\u00e9liorant progressivement la pr\u00e9cision. Il existe trois types d'apprentissage automatique.<\/p>\n

    Tableau 1 Classification de l'apprentissage automatique
    \n\"\"<\/p>\n

      \n
    • Big data<\/strong>Les mod\u00e8les d'IA et d'apprentissage automatique ont besoin d'une grande quantit\u00e9 de donn\u00e9es d'entra\u00eenement pour am\u00e9liorer les algorithmes d'apprentissage. L'\u00e9tiquetage d'\u00e9normes quantit\u00e9s de donn\u00e9es est un processus pr\u00e9alable \u00e0 l'entra\u00eenement d'un mod\u00e8le d'apprentissage automatique. Il s'agit souvent d'un processus \u00e0 forte intensit\u00e9 de main-d'\u0153uvre qui occupe g\u00e9n\u00e9ralement la majeure partie du temps d'un projet d'apprentissage automatique. Cependant, les big data ont une relation synergique avec l'IA et l'apprentissage automatique. En introduisant les big data dans les algorithmes d'apprentissage automatique, la pr\u00e9cision et l'efficacit\u00e9 de la prise de d\u00e9cision sont grandement am\u00e9lior\u00e9es. L'IA et les big data travaillent ensemble pour offrir de meilleures solutions en mati\u00e8re de services \u00e0 la client\u00e8le, de gestion des risques, de g\u00e9n\u00e9ration d'informations, etc.<\/span>Le terme \"big data\" d\u00e9signe les ensembles de donn\u00e9es massives et complexes qui sont difficiles \u00e0 traiter \u00e0 l'aide des m\u00e9thodes traditionnelles de traitement des donn\u00e9es. Les Big Data peuvent \u00e9galement \u00eatre d\u00e9crites \u00e0 l'aide des \"trois V\" : volume, vitesse et vari\u00e9t\u00e9. Le volume repr\u00e9sente la taille et la quantit\u00e9 de donn\u00e9es ; la vitesse repr\u00e9sente la vitesse de g\u00e9n\u00e9ration et de transfert des donn\u00e9es ; et la vari\u00e9t\u00e9 fait r\u00e9f\u00e9rence au type et \u00e0 la nature des donn\u00e9es. La vari\u00e9t\u00e9 peut \u00eatre class\u00e9e en trois cat\u00e9gories : les donn\u00e9es structur\u00e9es, les donn\u00e9es semi-structur\u00e9es et les donn\u00e9es non structur\u00e9es.<\/span><\/li>\n
    • Donn\u00e9es structur\u00e9es
      \n<\/strong>Les donn\u00e9es structur\u00e9es ont \u00e9t\u00e9 organis\u00e9es dans un format pr\u00e9d\u00e9fini, suivant un ordre coh\u00e9rent. Les donn\u00e9es sont g\u00e9n\u00e9ralement stock\u00e9es dans des bases de donn\u00e9es relationnelles, telles que les bases de donn\u00e9es SQL, ou dans des feuilles de calcul. Le format bien d\u00e9fini des donn\u00e9es structur\u00e9es facilite leur stockage et leur acc\u00e8s.<\/span><\/li>\n
    • Donn\u00e9es semi-structur\u00e9es
      \n<\/strong>Les donn\u00e9es semi-structur\u00e9es poss\u00e8dent certaines propri\u00e9t\u00e9s organisationnelles, mais elles ne sont pas compl\u00e8tement structur\u00e9es ni associ\u00e9es \u00e0 des bases de donn\u00e9es relationnelles (par exemple, le courrier \u00e9lectronique). Elles contiennent certains \u00e9l\u00e9ments structurels, notamment des balises ou d'autres indicateurs qui facilitent leur analyse.<\/span><\/li>\n
    • Donn\u00e9es non structur\u00e9es
      \n<\/strong>Les donn\u00e9es non structur\u00e9es ne sont pas organis\u00e9es dans un format pr\u00e9d\u00e9fini, comme les donn\u00e9es audio ou les images. On estime que plus de 80% des donn\u00e9es g\u00e9n\u00e9r\u00e9es ou collect\u00e9es par les organisations sont non structur\u00e9es. Ce type de donn\u00e9es repr\u00e9sente un volume important, mais il est difficile \u00e0 analyser.<\/span><\/li>\n
    • R\u00e9seaux neuronaux artificiels (RNA)<\/strong>
      \nLes r\u00e9seaux neuronaux artificiels d'apprentissage profond utilisent plusieurs couches pour le calcul, notamment la couche d'entr\u00e9e, les couches cach\u00e9es et la couche de sortie. Les couches sont compos\u00e9es de n\u0153uds (ou neurones) qui sont analogues aux neurones biologiques humains.<\/span>Figure 2\u00a0 <\/span><\/i>R\u00e9seau neutre artificiel<\/span>\"\"
      \nLorsque le nombre de couches cach\u00e9es est suffisant, la collection de couches cach\u00e9es est profonde et on parle d'apprentissage profond. Les couches cach\u00e9es extraient les donn\u00e9es de la couche d'entr\u00e9e, calculent et d\u00e9terminent si la valeur de l'information est suffisante pour \u00eatre transmise aux neurones suivants, conform\u00e9ment \u00e0 la r\u00e8gle d'apprentissage. Si c'est le cas, le neurone est activ\u00e9 et l'information est transmise \u00e0 la couche suivante et une sortie est g\u00e9n\u00e9r\u00e9e apr\u00e8s un processus it\u00e9ratif. Les diff\u00e9rences entre les sorties mod\u00e9lis\u00e9es et les sorties cibl\u00e9es sont utilis\u00e9es pour ajuster les associations pond\u00e9r\u00e9es des r\u00e9seaux par r\u00e9tropropagation.<\/li>\n<\/ul>\n

      Principales applications dans le secteur bancaire<\/strong><\/h3>\n
        \n
      • 1a. D\u00e9tection de la fraude<\/strong>Depuis des ann\u00e9es, la fraude est un probl\u00e8me crucial dans le secteur bancaire. Alors que les clients effectuent de plus en plus de transactions num\u00e9riques et en ligne via une plus grande vari\u00e9t\u00e9 d'options de paiement, telles que les cartes de cr\u00e9dit ou les portefeuilles num\u00e9riques, les risques d'activit\u00e9s frauduleuses sont plus \u00e9lev\u00e9s. Un mod\u00e8le efficace de gestion du risque de fraude est tr\u00e8s important pour les banques car il leur permet d'att\u00e9nuer les pertes dues \u00e0 la fraude. Les banques peuvent utiliser des mod\u00e8les bas\u00e9s sur l'apprentissage automatique pour reconna\u00eetre les sch\u00e9mas cach\u00e9s dans les transactions frauduleuses. Dans une approche traditionnelle ou bas\u00e9e sur des r\u00e8gles, des r\u00e8gles doivent \u00eatre \u00e9tablies pour identifier les transactions suspectes. Cependant, les fraudeurs sont de plus en plus avertis sur le plan technologique. Ils sont capables d'utiliser les derniers d\u00e9veloppements technologiques et des sch\u00e9mas plus sophistiqu\u00e9s pour frauder les banques. Par cons\u00e9quent, les banques ne peuvent pas pr\u00e9dire la fraude avec pr\u00e9cision \u00e0 l'aide de r\u00e8gles strictes. Il est n\u00e9cessaire d'analyser le mod\u00e8le de donn\u00e9es qui pourrait se d\u00e9velopper et r\u00e9pondre instantan\u00e9ment \u00e0 de nouvelles situations. Un algorithme d'apprentissage non supervis\u00e9 a \u00e9t\u00e9 utilis\u00e9 pour la d\u00e9tection des fraudes, car le mod\u00e8le est capable d'analyser les donn\u00e9es et d'\u00e9voluer sans supervision humaine. Il peut ainsi identifier les similitudes cach\u00e9es entre les transactions frauduleuses. En outre, les r\u00e9seaux neuronaux sont \u00e9galement utilis\u00e9s pour la mod\u00e9lisation de la d\u00e9tection des fraudes, car ils peuvent mod\u00e9liser des interactions non lin\u00e9aires et complexes bas\u00e9es sur l'informatique cognitive. C'est d'autant plus pratique que de nombreuses relations entre les entr\u00e9es et les sorties des transactions frauduleuses sont non lin\u00e9aires et complexes.
        \n
        \n<\/strong><\/li>\n
      • 1b. \u00c9tude de cas : Danske Bank<\/strong>La Danske Bank est la plus grande banque du Danemark et joue un r\u00f4le important dans la r\u00e9gion de l'Europe du Nord en servant plus de 5 millions de clients particuliers. Cependant, elle utilisait manuellement un mod\u00e8le traditionnel de d\u00e9tection des fraudes, avec peu d'efficacit\u00e9 et de pr\u00e9cision. La Danske Bank \u00e9tait confront\u00e9e \u00e0 un faible taux de d\u00e9tection des fraudes de 40%, car le mod\u00e8le identifiait chaque jour 1 200 cas de faux n\u00e9gatifs. Le nombre consid\u00e9rable de faux cas a alarm\u00e9 la Danske Bank, ce qui l'a pouss\u00e9e \u00e0 moderniser son mod\u00e8le de d\u00e9tection des fraudes afin d'identifier les fraudes avec plus de pr\u00e9cision.Dankse Bank a int\u00e9gr\u00e9 un logiciel d'apprentissage en profondeur avec des unit\u00e9s de traitement graphique (GPU) optimis\u00e9es pour l'apprentissage en profondeur. La solution am\u00e9lior\u00e9e par l'apprentissage profond a aid\u00e9 la banque \u00e0 identifier les cas de fraude potentiels et \u00e0 r\u00e9duire les faux positifs. La main-d'\u0153uvre n\u00e9cessaire pour prendre des d\u00e9cisions op\u00e9rationnelles a \u00e9galement \u00e9t\u00e9 r\u00e9duite car le processus a \u00e9t\u00e9 transf\u00e9r\u00e9 au syst\u00e8me d'IA. Les syst\u00e8mes d'apprentissage profond de la banque comparent les mod\u00e8les en temps r\u00e9el en utilisant la m\u00e9thodologie \"champion\/challenger\" pour identifier les mod\u00e8les les plus productifs. Diff\u00e9rents mod\u00e8les \"challenger\" analysent simultan\u00e9ment les donn\u00e9es en temps r\u00e9el et apprennent \u00e0 partir du flux de donn\u00e9es. La Danske Bank a ainsi pu r\u00e9duire de 60% le nombre de faux positifs et augmenter de 50% le nombre de vrais positifs. Danske Bank peut d\u00e9sormais d\u00e9tecter plus efficacement les fraudes gr\u00e2ce au d\u00e9ploiement de technologies d'apprentissage profond.<\/li>\n
      • 2a. \u00c9valuation du risque de cr\u00e9dit<\/strong>Le risque de cr\u00e9dit est g\u00e9n\u00e9ralement le risque financier le plus important pour les banques commerciales. Pour tous les types de pr\u00eats, les banques doivent d\u00e9terminer le risque de d\u00e9faillance de leurs clients. Dans le pass\u00e9, les banques g\u00e9raient efficacement le risque de cr\u00e9dit \u00e0 l'aide de mod\u00e8les statistiques pr\u00e9dictifs. Par exemple, les mod\u00e8les de r\u00e9gression logistique sont parmi les plus utilis\u00e9s pour estimer la probabilit\u00e9 de d\u00e9faut. Cependant, \u00e0 l'\u00e8re du big data, les banques peuvent utiliser des algorithmes d'IA pour analyser beaucoup plus de donn\u00e9es, en particulier celles qui ne sont pas structur\u00e9es par nature, par exemple les donn\u00e9es des m\u00e9dias sociaux ou les donn\u00e9es de litiges provenant de sites web judiciaires. L'utilisation efficace de ces donn\u00e9es permet d'am\u00e9liorer le pouvoir pr\u00e9dictif des mod\u00e8les et donc d'aider les banques \u00e0 prendre de meilleures d\u00e9cisions de cr\u00e9dit et \u00e0 optimiser la performance du portefeuille.Les informations traditionnelles telles que les ratios financiers, les profils d'entreprise et les donn\u00e9es d\u00e9mographiques des emprunteurs sont couramment utilis\u00e9es pour le d\u00e9veloppement de mod\u00e8les d'\u00e9valuation du cr\u00e9dit. Cependant, comme les donn\u00e9es de certaines PME peuvent ne pas \u00eatre suffisantes pour construire une carte de score valide, l'adoption de donn\u00e9es alternatives, y compris les donn\u00e9es de t\u00e9l\u00e9communication, les dossiers d'exp\u00e9dition et les traits comportementaux, est essentielle. Les mod\u00e8les d'apprentissage automatique permettent l'utilisation la plus efficace de ces donn\u00e9es alternatives, car elles peuvent se pr\u00e9senter sous des formes non structur\u00e9es ou semi-structur\u00e9es.<\/li>\n
      • 2b. \u00c9tude de cas : une grande banque en ligne chinoise (affili\u00e9e \u00e0 Alibaba)<\/strong>MYBank est une banque en ligne chinoise de premier plan. Elle propose des pr\u00eats en ligne aux petites et moyennes entreprises (PME). Depuis sa cr\u00e9ation en 2015, la banque a accord\u00e9 des pr\u00eats \u00e0 plus de 45 millions de PME. En juillet 2022, la MYbank du groupe Ant a lanc\u00e9 le syst\u00e8me de gestion du risque intelligent \"Bailing\" afin d'appliquer la technologie de l'IA \u00e0 l'approbation des pr\u00eats. Le syst\u00e8me Bailing permet aux clients, en particulier aux propri\u00e9taires de petites et microentreprises, de prouver leur solidit\u00e9 et leur stabilit\u00e9 op\u00e9rationnelles en prenant simplement des photos de leurs justificatifs. Les technologies NLP ont permis d'identifier automatiquement 26 types de justificatifs, allant des contrats aux factures en passant par les licences d'exploitation. Lors du test de contr\u00f4le, l'identificateur d'IA bas\u00e9 sur le NLP a d\u00e9montr\u00e9 une coh\u00e9rence 95% avec l'examen manuel, tout en am\u00e9liorant consid\u00e9rablement l'efficacit\u00e9 de l'identification des justificatifs. Depuis sa cr\u00e9ation, plus de 5 millions de clients ont obtenu des pr\u00eats par l'interm\u00e9diaire du syst\u00e8me Bailing sans interaction humaine.
        \n
        \n<\/strong><\/li>\n
      • 3a. Segmentation de la client\u00e8le<\/strong>Le secteur bancaire a \u00e9t\u00e9 l'un des premiers \u00e0 adopter l'id\u00e9e de cibler des clients sp\u00e9cifiques \u00e0 l'aide d'une analyse de segmentation. La segmentation de la client\u00e8le permet aux banques de diviser leurs diverses bases de clients en groupes en fonction de diff\u00e9rents crit\u00e8res, tels que les besoins des clients, la qualit\u00e9 du cr\u00e9dit et la rentabilit\u00e9. Les banques peuvent ainsi atteindre diff\u00e9rents objectifs. Une analyse de segmentation bien con\u00e7ue permet aux banques de comprendre parfaitement leurs clients et d'am\u00e9liorer l'exp\u00e9rience client gr\u00e2ce \u00e0 des produits plus personnalis\u00e9s.Afin de mieux comprendre les donn\u00e9es des clients et de les segmenter en groupes, les banques modernes pourraient utiliser des mod\u00e8les d'intelligence artificielle et d'apprentissage automatique. Les banques observent les mod\u00e8les cach\u00e9s ou les caract\u00e9ristiques communes dans les donn\u00e9es en utilisant efficacement les mod\u00e8les d'apprentissage automatique. L'algorithme classera les clients en diff\u00e9rents groupes. Par exemple, la banque peut utiliser des attributs communs tels que les donn\u00e9es d\u00e9mographiques, les \u00e9tapes de la vie, les niveaux de revenus, etc. Par la suite, la banque peut concevoir et s\u00e9lectionner une campagne de marketing sur mesure ou des suggestions pour les clients.<\/li>\n
      • 3b. Regroupement par K-means<\/strong>K-Means est un algorithme d'apprentissage non supervis\u00e9 couramment adopt\u00e9 pour le regroupement (affectation de donn\u00e9es d'entr\u00e9e \u00e0 des groupes \u00e0 l'aide de mod\u00e8les de donn\u00e9es).Figure 3 Regroupement par K-means <\/em>
        \n


        \n\"\"
        \n<\/strong><\/h3>\n<\/li>\n
      • 3c. \u00c9tude de cas : une grande banque du Moyen-Orient<\/strong>Une grande banque du Moyen-Orient a rencontr\u00e9 de nombreux probl\u00e8mes ces derni\u00e8res ann\u00e9es en raison de la m\u00e9diocrit\u00e9 de son service \u00e0 la client\u00e8le et de son orientation vers les consommateurs. Une \u00e9tude a donc \u00e9t\u00e9 men\u00e9e pour r\u00e9partir les clients de la banque en groupes en fonction des avantages escompt\u00e9s. La banque a aid\u00e9 les chercheurs dans leur recherche en fournissant les informations appropri\u00e9es et en travaillant en \u00e9troite collaboration avec l'\u00e9quipe de recherche.Dans le projet, l'analyse K-Means a \u00e9t\u00e9 utilis\u00e9e pour effectuer la segmentation et \u00e9tablir le nombre de segments. Certaines informations d\u00e9mographiques sur les clients (par exemple, le sexe, la situation de famille) ont \u00e9t\u00e9 utilis\u00e9es dans l'analyse de regroupement, ce qui a permis de s\u00e9parer quatre segments distincts en fonction des avantages escompt\u00e9s. Les quatre groupes de clients sont ceux qui sont ax\u00e9s sur les avantages, la paix, les int\u00e9r\u00eats et les clients mod\u00e9r\u00e9s, car ces groupes ont d\u00e9montr\u00e9 des attributs de donn\u00e9es importants. En cons\u00e9quence, la banque peut choisir le plan marketing id\u00e9al et cr\u00e9er un programme publicitaire appropri\u00e9 en fonction des caract\u00e9ristiques des clients.
        \n<\/strong><\/li>\n<\/ul>\n

        Applications cl\u00e9s dans la gestion des actifs<\/h3>\n
          \n
        • 4a. Le robot-conseil<\/strong>Les robots-conseillers sont des conseillers financiers num\u00e9riques qui fournissent des services d'investissement ou de planification financi\u00e8re pilot\u00e9s par des algorithmes d'IA et de ML. Les robots-conseillers utilisent le traitement du langage naturel (NLP) pour comprendre les donn\u00e9es en langage naturel (par exemple, la voix et le texte) et interagir avec les investisseurs sous la forme de chatbots, ce qui r\u00e9duit la supervision humaine et abaisse ainsi la barri\u00e8re d'entr\u00e9e pour les investisseurs de d\u00e9tail. Par exemple, les robots-conseillers peuvent \u00eatre utilis\u00e9s pour recueillir des informations sur les investisseurs (par exemple, les objectifs de rendement et l'app\u00e9tit pour le risque) par le biais de questionnaires comportementaux. Les robo-advisers peuvent \u00e9galement \u00eatre utilis\u00e9s pour r\u00e9pondre aux questions fr\u00e9quemment pos\u00e9es.
          \n
          \n<\/strong><\/li>\n
        • 4b. Gestion du portefeuille<\/strong>Le NLP est devenu un outil efficace dans la gestion de portefeuille car il est capable d'extraire des informations de diff\u00e9rents formats non structur\u00e9s et semi-structur\u00e9s, tels que les rapports annuels, les articles de presse et les messages sur les m\u00e9dias sociaux. Au lieu des approches traditionnelles bas\u00e9es sur des dictionnaires qui extraient des informations uniquement \u00e0 partir de mots individuels, les approches d'IA peuvent \u00e9galement interpr\u00e9ter le contexte et les tonalit\u00e9s.Figure 4 Gestion de portefeuille<\/em>\"\"
          \n<\/strong>Certaines soci\u00e9t\u00e9s de gestion d'actifs utilisent des mod\u00e8les d'apprentissage automatique pour r\u00e9aliser des analyses fondamentales sophistiqu\u00e9es, y compris l'analyse de donn\u00e9es semi-structur\u00e9es provenant de l'actualit\u00e9 ou de rapports financiers. Les approches d'IA telles que les machines \u00e0 vecteurs de support pourraient g\u00e9n\u00e9rer des informations sur de nombreux titres, identifier les corr\u00e9lations entre diff\u00e9rentes classes d'actifs et fournir des estimations plus pr\u00e9cises sur les covariances et les rendements attendus.Dans l'optimisation de portefeuille, les approches traditionnelles se concentrent sur la couverture et l'analyse quantitative, tandis que les techniques d'apprentissage automatique peuvent traiter et extraire des informations \u00e0 partir de quantit\u00e9s extr\u00eamement importantes de donn\u00e9es. En outre, l'apprentissage automatique peut facilement appliquer des techniques non lin\u00e9aires et r\u00e9duire la dimensionnalit\u00e9, ce qui permet d'obtenir de meilleures performances hors \u00e9chantillon. En outre, l'apprentissage par renforcement permet \u00e0 la machine de s'am\u00e9liorer continuellement et de traiter des probl\u00e8mes complexes d'allocation d'actifs qu'aucun humain ne peut r\u00e9soudre.4c. \u00c9tude de cas : UOB Asset Management (UOBAM)<\/strong>United Overseas Bank (UOB) est une banque de premier plan en Asie avec 500 bureaux dans le monde entier. Son nouveau produit, UOBAM Invest, est le premier robo-advisor de Singapour sur un portefeuille mobile et comprend des solutions d'investissement durable. Il compte des millions d'utilisateurs et le total des actifs sous gestion a d\u00e9pass\u00e9 les 36,5 milliards de dollars singapouriens.<\/p>\n

          Le robo-advisor utilise des algorithmes de profil de risque et de d\u00e9finition d'objectifs pour s'assurer que les recommandations d'investissement propos\u00e9es par l'algorithme sont align\u00e9es sur les niveaux de tol\u00e9rance au risque et les objectifs d'investissement d\u00e9finis par les clients. En outre, la p\u00e9riode de temps et les pr\u00e9f\u00e9rences d'investissement ESG sont \u00e9galement prises en compte. UOBAM Robo-Invest vise \u00e0 optimiser les portefeuilles avec une croissance stable \u00e0 long terme en utilisant une strat\u00e9gie hybride de fonds g\u00e9r\u00e9s activement et de fonds n\u00e9goci\u00e9s en bourse (ETF). Le mod\u00e8le d'optimisation maximise les rendements en fonction de l'objectif d'investissement et de la tol\u00e9rance au risque des clients. La combinaison de l'IA et de la gestion de portefeuille a apport\u00e9 des r\u00e9sultats impressionnants \u00e0 UOBAM-Invest, le gestionnaire d'actifs ayant enregistr\u00e9 des rendements sup\u00e9rieurs \u00e0 ceux de leurs indices de r\u00e9f\u00e9rence.<\/li>\n

        • 5a. Processus de n\u00e9gociation<\/strong>Outre les transactions effectu\u00e9es en bourse, les transactions de gr\u00e9 \u00e0 gr\u00e9 (OTC) ont \u00e9galement \u00e9t\u00e9 remplac\u00e9es par le commerce \u00e9lectronique. L'essor de la n\u00e9gociation \u00e9lectronique a g\u00e9n\u00e9r\u00e9 un vaste ensemble de donn\u00e9es \u00e0 analyser tout au long du processus de n\u00e9gociation, de la pr\u00e9-n\u00e9gociation \u00e0 l'ex\u00e9cution.Figure 5 Ex\u00e9cution des op\u00e9rations<\/em>\"\"
          \nAu cours de la phase pr\u00e9-n\u00e9gociation, les approches d'IA pourraient analyser les co\u00fbts de transaction avant l'ex\u00e9cution, y compris les \u00e9carts entre les cours acheteur et vendeur, le co\u00fbt de l'impact sur le march\u00e9 et les commissions. Les techniques d'IA pourraient saisir les relations non lin\u00e9aires pour pr\u00e9dire l'impact sur le march\u00e9 et fournir des informations suppl\u00e9mentaires par rapport aux mod\u00e8les traditionnels d'impact sur le march\u00e9. Au stade de l'ex\u00e9cution de la transaction, l'algorithme pourrait minimiser le co\u00fbt de la transaction en recommandant la taille et le moment appropri\u00e9s de l'ordre. Par exemple, les mod\u00e8les d'apprentissage automatique pourraient analyser l'inventaire des courtiers, les transactions historiques et les prix en apprenant activement \u00e0 partir de ces donn\u00e9es. Cependant, l'analyse post-n\u00e9gociation n\u00e9cessite souvent une intervention humaine pour surveiller le risque et le r\u00e9sultat r\u00e9alis\u00e9 sur le march\u00e9.<\/li>\n
        • 5b. \u00c9tude de cas : BlackRock<\/strong>BlackRock a tir\u00e9 parti des techniques d'apprentissage automatique et d'IA pour analyser ses propres donn\u00e9es de n\u00e9gociation afin d'identifier des sch\u00e9mas dans les co\u00fbts de transaction. Les traders de BlackRock pourraient utiliser les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par ces mod\u00e8les pour obtenir une meilleure compr\u00e9hension des transactions. En outre, l'application des techniques d'IA permet \u00e0 BlackRock d'analyser d'\u00e9normes volumes de donn\u00e9es textuelles et d'anticiper les changements probables dans les b\u00e9n\u00e9fices futurs des entreprises. Par exemple, la technologie NLP pourrait transformer le texte non structur\u00e9 en mesures exclusives du sentiment du march\u00e9 ou des tendances commerciales. La technologie permet \u00e9galement d'analyser chaque jour plus de 5 000 transcriptions d'appels \u00e0 b\u00e9n\u00e9fices et plus de 6 000 rapports de courtiers, alors que l'approche traditionnelle prendrait beaucoup de temps car les rapports doivent \u00eatre lus par un \u00eatre humain.<\/li>\n<\/ul>\n

          Principales applications dans le domaine de l'assurance<\/h3>\n
            \n
          • 6a. Automatiser et am\u00e9liorer le processus de traitement des demandes d'indemnisation<\/strong>Comme les donn\u00e9es relatives aux sinistres existent sous diff\u00e9rents formats, tels que des photos et des documents, il est difficile d'identifier et d'analyser ces donn\u00e9es non structur\u00e9es ou semi-structur\u00e9es avec une grande efficacit\u00e9. Par cons\u00e9quent, l'un des principaux points probl\u00e9matiques du traitement des r\u00e9clamations (par exemple, traitement tardif, insatisfaction des clients) est la mauvaise exp\u00e9rience du client et les longs d\u00e9lais d'attente. Par exemple, les assureurs peuvent mettre en place un syst\u00e8me automatis\u00e9 de premi\u00e8re d\u00e9claration de sinistre (FNOL) gr\u00e2ce \u00e0 l'IA. Ce syst\u00e8me pourrait automatiser les aspects li\u00e9s au contact avec les clients et \u00e0 la gestion des sinistres, de sorte que le processus de d\u00e9claration pourrait \u00eatre achev\u00e9 sans intervention humaine. Au stade de l'\u00e9valuation du sinistre, l'estimation des dommages est confi\u00e9e \u00e0 un expert ou \u00e0 un atelier de r\u00e9paration automobile, ce qui peut prendre des jours ou des semaines. Gr\u00e2ce \u00e0 la technologie NLP, l'assureur pourrait introduire un mod\u00e8le d'apprentissage automatique qui classerait les sinistres sur la base des images des dommages subis par le v\u00e9hicule et estimerait les frais de r\u00e9paration \u00e0 l'aide d'une vaste base de donn\u00e9es. L'IA pourrait proc\u00e9der \u00e0 l'\u00e9valuation et autoriser le sinistre dans un d\u00e9lai tr\u00e8s court, ce qui aiderait les assureurs \u00e0 garantir la qualit\u00e9 et la rapidit\u00e9 du processus de r\u00e8glement des sinistres. En outre, elle permet \u00e9galement aux assureurs de faire des observations \u00e0 partir des audits de sinistres et de pr\u00e9venir les fuites de sinistres.<\/li>\n
          • 6b. \u00c9tude de cas : Fukoku Mutual Life Insurance<\/strong>Fukoku Mutual est un assureur vie de premier plan, actif au Japon. Conform\u00e9ment \u00e0 la tendance du secteur, Fukoku \u00e9tait aux prises avec des co\u00fbts op\u00e9rationnels croissants en raison de l'inefficacit\u00e9 du traitement des demandes d'indemnisation. Elle a adopt\u00e9 des syst\u00e8mes d'IA pour analyser et interpr\u00e9ter les donn\u00e9es relatives aux demandes d'indemnisation, telles que les images des certificats m\u00e9dicaux, et pour calculer le montant des indemnit\u00e9s avec une grande pr\u00e9cision. Afin d'\u00e9viter les erreurs de paiement, le syst\u00e8me d'IA peut \u00e9galement v\u00e9rifier s'il existe une quelconque violation des contrats d'assurance. L'utilisation de l'IA a permis de r\u00e9duire consid\u00e9rablement le temps n\u00e9cessaire au calcul de l'important volume de remboursements, tout en augmentant sensiblement la productivit\u00e9.
            \n
            \n<\/strong><\/li>\n
          • 7a. Optimisation des prix<\/strong>L'activit\u00e9 principale des compagnies d'assurance est de comprendre et d'anticiper le risque des clients et de prendre le risque \u00e0 un prix appropri\u00e9. Aujourd'hui, l'int\u00e9gration de techniques d'apprentissage automatique dans la mod\u00e9lisation des risques a permis aux assureurs de mieux pr\u00e9dire diff\u00e9rents \u00e9v\u00e9nements. En cons\u00e9quence, les assureurs ont pu affiner leurs mod\u00e8les de tarification afin d'accro\u00eetre leur rentabilit\u00e9. Parmi les m\u00e9thodologies couramment employ\u00e9es, citons le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral (GLM), LightBGM et les for\u00eats al\u00e9atoires. L'\u00e9quipe charg\u00e9e de la tarification alimente le mod\u00e8le avec les attributs historiques des polices, les informations sur les clients et les donn\u00e9es relatives aux \u00e9v\u00e9nements. Contrairement \u00e0 l'approche traditionnelle qui construit des mod\u00e8les de fr\u00e9quence et de gravit\u00e9 pour pr\u00e9dire le nombre et le montant des sinistres, l'approche d'apprentissage automatique peut d\u00e9duire directement le sinistre encouru. Elle fournit souvent un r\u00e9sultat plus pr\u00e9cis car le mod\u00e8le \u00e9tablit des relations non lin\u00e9aires et peut utiliser une plus grande vari\u00e9t\u00e9 de variables.<\/li>\n
          • 7b. \u00c9tude de cas : AXA
            \n<\/strong>
            \nAu Japon, 7-10% des clients d'AXA avaient un accident de voiture chaque ann\u00e9e. Les pertes \u00e9taient consid\u00e9rables. Comme les techniques d'IA pouvaient s'appuyer sur davantage de donn\u00e9es historiques pour fournir une analyse pr\u00e9dictive, l'\u00e9quipe de science des donn\u00e9es d'AXA Japon a d\u00e9cid\u00e9 de cr\u00e9er un mod\u00e8le d'apprentissage profond. Elle a utilis\u00e9 TensorFlow, une plateforme d'apprentissage automatique open source d\u00e9velopp\u00e9e par Google, pour d\u00e9velopper le mod\u00e8le exp\u00e9rimental \u00e0 l'aide d'une for\u00eat al\u00e9atoire et d'un r\u00e9seau neuronal. De nombreux facteurs, tels que l'\u00e2ge du conducteur et le type de v\u00e9hicule, ont \u00e9t\u00e9 identifi\u00e9s et introduits dans le r\u00e9seau neuronal \u00e0 trois couches cach\u00e9es. Finalement, l'approche d'apprentissage automatique a g\u00e9n\u00e9r\u00e9 des pr\u00e9dictions avec une pr\u00e9cision de 78%, permettant \u00e0 AXA de fournir de meilleurs services de souscription avec une tarification plus pr\u00e9cisePar ailleurs, AXA Tianping, l'un des plus grands assureurs de biens et d'accidents en Chine, a annonc\u00e9 un partenariat avec une soci\u00e9t\u00e9 de technologie de l'assurance, Akur8. Gr\u00e2ce \u00e0 la technologie d'IA d'Akur8, AXA Tianping pourrait automatiser la mod\u00e9lisation des tarifs et am\u00e9liorer le processus de tarification. Cela permettrait \u00e0 AXA Tianping de d\u00e9velopper plus rapidement un portefeuille de produits bien tarif\u00e9s dans un environnement de risque dynamique.
            \n
            \n<\/strong><\/li>\n<\/ul>\n

            D\u00e9fis pour le d\u00e9veloppement de l'IA \/ ML dans le secteur des services financiers<\/h3>\n
              \n
            • La qualit\u00e9 et la quantit\u00e9 des donn\u00e9es<\/strong>Comme d'autres mod\u00e8les empiriques, les mod\u00e8les d'IA reposent sur la disponibilit\u00e9 et l'int\u00e9grit\u00e9 des donn\u00e9es. Des donn\u00e9es de mauvaise qualit\u00e9 peuvent facilement d\u00e9clencher ce que l'on appelle le \"garbage in, garbage out\". La qualit\u00e9 et l'ad\u00e9quation des donn\u00e9es sont particuli\u00e8rement importantes car les r\u00e9sultats de l'IA sont souvent pris pour argent comptant. Par cons\u00e9quent, l'identification des probl\u00e8mes li\u00e9s aux donn\u00e9es par l'\u00e9valuation des r\u00e9sultats du mod\u00e8le peut ne pas \u00eatre un exercice simple. En outre, les mod\u00e8les d'IA n\u00e9cessitent de grandes quantit\u00e9s de donn\u00e9es pendant la phase d'apprentissage, souvent plus que ce qui est disponible.
              \n
              \n<\/strong><\/li>\n
            • Le manque de confiance dans l'apprentissage automatique pour les d\u00e9cisions sensibles<\/strong>Les mod\u00e8les complexes d'apprentissage automatique ne sont pas faciles \u00e0 interpr\u00e9ter et il peut \u00eatre difficile, voire impossible, d'expliquer leurs pr\u00e9dictions. Faute de comprendre les mod\u00e8les \u00e0 bo\u00eete noire, tels que les r\u00e9seaux neuronaux artificiels \u00e0 plusieurs couches, les utilisateurs finaux peuvent avoir du mal \u00e0 se fier \u00e0 leurs r\u00e9sultats. C'est particuli\u00e8rement vrai pour les r\u00e9gulateurs des services financiers et les banquiers qui travaillent sur des d\u00e9cisions \u00e0 fort enjeu, car ils voudraient \u00e9tayer leurs d\u00e9cisions par des explications compl\u00e8tes.<\/li>\n<\/ul>\n

              Ce que fait Accuracy<\/h3>\n
                \n
              • Chez Accuracy, nous disposons d'une \u00e9quipe de data scientists et d'un laboratoire technologique qui aident nos clients sur les t\u00e2ches suivantes :R\u00e9alisation d'analyses strat\u00e9giques sur l'adoption de solutions IA \/ ML appropri\u00e9es dans diff\u00e9rentes fonctions de l'entreprise.<\/li>\n
              • D\u00e9velopper des mod\u00e8les d'IA \/ ML qui r\u00e9pondent au mieux aux besoins de votre entreprise.<\/li>\n
              • D\u00e9veloppement et mise en \u0153uvre de plateformes et de syst\u00e8mes aliment\u00e9s par l'IA \/ ML.<\/li>\n
              • Concevoir des cadres de gouvernance des mod\u00e8les d'IA \/ ML et mettre en \u0153uvre les meilleures pratiques.<\/li>\n<\/ul>\n

                Chez Accuracy, nos experts du secteur des services financiers travaillent avec des banques et des institutions financi\u00e8res non bancaires sur des fusions et acquisitions, des transformations strat\u00e9giques, des mod\u00e9lisations quantitatives et l'adoption de solutions technologiques. Au cours des vingt derni\u00e8res ann\u00e9es, nous avons travaill\u00e9 en \u00e9troite collaboration avec des institutions financi\u00e8res internationales et des petites et moyennes entit\u00e9s afin d'apporter de la valeur ajout\u00e9e \u00e0 leurs activit\u00e9s.<\/p>\n

                 <\/p>\n

                \n

                Nicolas Darbo - Associ\u00e9 - Accuracy<\/strong><\/p>\n

                David Chollet - Associ\u00e9 - Accuracy<\/strong><\/p>\n

                Jean Barrere - Associ\u00e9 - Accuracy<\/strong><\/p>\n

                Carl Chan - Directeur - Accuracy<\/strong><\/p>","protected":false},"excerpt":{"rendered":"

                Why does artificial intelligence matter for financial institutions? Artificial intelligence (AI) is a field that combines computer science and data analytics to solve real-life problems. Artificial intelli-\u00a0 gence may first have been born in works of fiction, but it started showing its real power when AlphaGo, an AI model that plays\u00a0 the board game Go, […]<\/p>\n","protected":false},"author":1,"featured_media":35536,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[212,306,19,436,122],"tags":[174],"class_list":["post-35535","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-analysis","category-artificial-intelligence-analysis","category-china","category-digital-technology-software-analysis","category-perspectives","tag-perspectives"],"acf":[],"yoast_head":"\nHow artificial intelligence and data science are shaping the financial services industry - Accuracy<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.accuracy.com\/fr\/comment-lintelligence-artificielle-et-la-science-des-donnees-faconnent-le-secteur-des-services-financiers\/\" \/>\n<meta property=\"og:locale\" content=\"fr_CA\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"How artificial intelligence and data science are shaping the financial services industry\" \/>\n<meta property=\"og:description\" content=\"Why does artificial intelligence matter for financial institutions? Artificial intelligence (AI) is a field that combines computer science and data analytics to solve real-life problems. Artificial intelli-\u00a0 gence may first have been born in works of fiction, but it started showing its real power when AlphaGo, an AI model that plays\u00a0 the board game Go, […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.accuracy.com\/fr\/comment-lintelligence-artificielle-et-la-science-des-donnees-faconnent-le-secteur-des-services-financiers\/\" \/>\n<meta property=\"og:site_name\" content=\"Accuracy\" \/>\n<meta property=\"article:published_time\" content=\"2023-09-05T14:09:56+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-10-23T12:22:16+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.accuracy.com\/wp-content\/uploads\/2023\/09\/MicrosoftTeams-image-4-370x372-1.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"370\" \/>\n\t<meta property=\"og:image:height\" content=\"372\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"dev\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"dev\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimation du temps de lecture\" \/>\n\t<meta name=\"twitter:data2\" content=\"19 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/\"},\"author\":{\"name\":\"dev\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#\\\/schema\\\/person\\\/8cfdef62d7af45536d2b7b45979f72e7\"},\"headline\":\"How artificial intelligence and data science are shaping the financial services industry\",\"datePublished\":\"2023-09-05T14:09:56+00:00\",\"dateModified\":\"2025-10-23T12:22:16+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/\"},\"wordCount\":3788,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.accuracy.com\\\/wp-content\\\/uploads\\\/2023\\\/09\\\/MicrosoftTeams-image-4-370x372-1.jpg\",\"keywords\":[\"Perspectives\"],\"articleSection\":[\"Analysis\",\"Artificial Intelligence\",\"China\",\"Digital technology & Software\",\"Perspectives\"],\"inLanguage\":\"fr-CA\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/\",\"url\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/\",\"name\":\"How artificial intelligence and data science are shaping the financial services industry - Accuracy\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.accuracy.com\\\/wp-content\\\/uploads\\\/2023\\\/09\\\/MicrosoftTeams-image-4-370x372-1.jpg\",\"datePublished\":\"2023-09-05T14:09:56+00:00\",\"dateModified\":\"2025-10-23T12:22:16+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/#breadcrumb\"},\"inLanguage\":\"fr-CA\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-CA\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.accuracy.com\\\/wp-content\\\/uploads\\\/2023\\\/09\\\/MicrosoftTeams-image-4-370x372-1.jpg\",\"contentUrl\":\"https:\\\/\\\/www.accuracy.com\\\/wp-content\\\/uploads\\\/2023\\\/09\\\/MicrosoftTeams-image-4-370x372-1.jpg\",\"width\":370,\"height\":372},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/www.accuracy.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"How artificial intelligence and data science are shaping the financial services industry\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#website\",\"url\":\"https:\\\/\\\/www.accuracy.com\\\/\",\"name\":\"Accuracy\",\"description\":\"Business Advisers - Financial Consultants\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.accuracy.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-CA\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#organization\",\"name\":\"Accuracy\",\"url\":\"https:\\\/\\\/www.accuracy.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-CA\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.accuracy.com\\\/wp-content\\\/uploads\\\/2023\\\/08\\\/unnamed-3.jpg\",\"contentUrl\":\"https:\\\/\\\/www.accuracy.com\\\/wp-content\\\/uploads\\\/2023\\\/08\\\/unnamed-3.jpg\",\"width\":512,\"height\":512,\"caption\":\"Accuracy\"},\"image\":{\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.linkedin.com\\\/company\\\/accuracy\\\/?originalSubdomain=fr\",\"https:\\\/\\\/www.instagram.com\\\/accuracycareers\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.accuracy.com\\\/#\\\/schema\\\/person\\\/8cfdef62d7af45536d2b7b45979f72e7\",\"name\":\"dev\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-CA\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f1ffcac9ca2fa95ad3ec33e9be3ade82f752acb0cabe541e56c5889225afa88a?s=96&d=blank&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f1ffcac9ca2fa95ad3ec33e9be3ade82f752acb0cabe541e56c5889225afa88a?s=96&d=blank&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f1ffcac9ca2fa95ad3ec33e9be3ade82f752acb0cabe541e56c5889225afa88a?s=96&d=blank&r=g\",\"caption\":\"dev\"},\"sameAs\":[\"https:\\\/\\\/www.accuracy.com\"]}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Comment l'intelligence artificielle et la science des donn\u00e9es fa\u00e7onnent le secteur des services financiers - Accuracy","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.accuracy.com\/fr\/comment-lintelligence-artificielle-et-la-science-des-donnees-faconnent-le-secteur-des-services-financiers\/","og_locale":"fr_CA","og_type":"article","og_title":"How artificial intelligence and data science are shaping the financial services industry","og_description":"Why does artificial intelligence matter for financial institutions? Artificial intelligence (AI) is a field that combines computer science and data analytics to solve real-life problems. Artificial intelli-\u00a0 gence may first have been born in works of fiction, but it started showing its real power when AlphaGo, an AI model that plays\u00a0 the board game Go, […]","og_url":"https:\/\/www.accuracy.com\/fr\/comment-lintelligence-artificielle-et-la-science-des-donnees-faconnent-le-secteur-des-services-financiers\/","og_site_name":"Accuracy","article_published_time":"2023-09-05T14:09:56+00:00","article_modified_time":"2025-10-23T12:22:16+00:00","og_image":[{"width":370,"height":372,"url":"https:\/\/www.accuracy.com\/wp-content\/uploads\/2023\/09\/MicrosoftTeams-image-4-370x372-1.jpg","type":"image\/jpeg"}],"author":"dev","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"dev","Estimation du temps de lecture":"19 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/#article","isPartOf":{"@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/"},"author":{"name":"dev","@id":"https:\/\/www.accuracy.com\/#\/schema\/person\/8cfdef62d7af45536d2b7b45979f72e7"},"headline":"How artificial intelligence and data science are shaping the financial services industry","datePublished":"2023-09-05T14:09:56+00:00","dateModified":"2025-10-23T12:22:16+00:00","mainEntityOfPage":{"@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/"},"wordCount":3788,"commentCount":0,"publisher":{"@id":"https:\/\/www.accuracy.com\/#organization"},"image":{"@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/#primaryimage"},"thumbnailUrl":"https:\/\/www.accuracy.com\/wp-content\/uploads\/2023\/09\/MicrosoftTeams-image-4-370x372-1.jpg","keywords":["Perspectives"],"articleSection":["Analysis","Artificial Intelligence","China","Digital technology & Software","Perspectives"],"inLanguage":"fr-CA","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/","url":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/","name":"Comment l'intelligence artificielle et la science des donn\u00e9es fa\u00e7onnent le secteur des services financiers - Accuracy","isPartOf":{"@id":"https:\/\/www.accuracy.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/#primaryimage"},"image":{"@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/#primaryimage"},"thumbnailUrl":"https:\/\/www.accuracy.com\/wp-content\/uploads\/2023\/09\/MicrosoftTeams-image-4-370x372-1.jpg","datePublished":"2023-09-05T14:09:56+00:00","dateModified":"2025-10-23T12:22:16+00:00","breadcrumb":{"@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/#breadcrumb"},"inLanguage":"fr-CA","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/"]}]},{"@type":"ImageObject","inLanguage":"fr-CA","@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/#primaryimage","url":"https:\/\/www.accuracy.com\/wp-content\/uploads\/2023\/09\/MicrosoftTeams-image-4-370x372-1.jpg","contentUrl":"https:\/\/www.accuracy.com\/wp-content\/uploads\/2023\/09\/MicrosoftTeams-image-4-370x372-1.jpg","width":370,"height":372},{"@type":"BreadcrumbList","@id":"https:\/\/www.accuracy.com\/how-artificial-intelligence-and-data-science-are-shaping-the-financial-services-industry\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/www.accuracy.com\/"},{"@type":"ListItem","position":2,"name":"How artificial intelligence and data science are shaping the financial services industry"}]},{"@type":"WebSite","@id":"https:\/\/www.accuracy.com\/#website","url":"https:\/\/www.accuracy.com\/","name":"Pr\u00e9cision","description":"Conseillers d'entreprise - Consultants financiers","publisher":{"@id":"https:\/\/www.accuracy.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.accuracy.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-CA"},{"@type":"Organization","@id":"https:\/\/www.accuracy.com\/#organization","name":"Pr\u00e9cision","url":"https:\/\/www.accuracy.com\/","logo":{"@type":"ImageObject","inLanguage":"fr-CA","@id":"https:\/\/www.accuracy.com\/#\/schema\/logo\/image\/","url":"https:\/\/www.accuracy.com\/wp-content\/uploads\/2023\/08\/unnamed-3.jpg","contentUrl":"https:\/\/www.accuracy.com\/wp-content\/uploads\/2023\/08\/unnamed-3.jpg","width":512,"height":512,"caption":"Accuracy"},"image":{"@id":"https:\/\/www.accuracy.com\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/accuracy\/?originalSubdomain=fr","https:\/\/www.instagram.com\/accuracycareers\/"]},{"@type":"Person","@id":"https:\/\/www.accuracy.com\/#\/schema\/person\/8cfdef62d7af45536d2b7b45979f72e7","name":"dev","image":{"@type":"ImageObject","inLanguage":"fr-CA","@id":"https:\/\/secure.gravatar.com\/avatar\/f1ffcac9ca2fa95ad3ec33e9be3ade82f752acb0cabe541e56c5889225afa88a?s=96&d=blank&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/f1ffcac9ca2fa95ad3ec33e9be3ade82f752acb0cabe541e56c5889225afa88a?s=96&d=blank&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/f1ffcac9ca2fa95ad3ec33e9be3ade82f752acb0cabe541e56c5889225afa88a?s=96&d=blank&r=g","caption":"dev"},"sameAs":["https:\/\/www.accuracy.com"]}]}},"_links":{"self":[{"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/posts\/35535","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/comments?post=35535"}],"version-history":[{"count":5,"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/posts\/35535\/revisions"}],"predecessor-version":[{"id":51722,"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/posts\/35535\/revisions\/51722"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/media\/35536"}],"wp:attachment":[{"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/media?parent=35535"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/categories?post=35535"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.accuracy.com\/fr\/wp-json\/wp\/v2\/tags?post=35535"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}