En tapant « Natural Language Processing Finance » sous Google, la liste des résultats est pour le moins surprenante. Évacuons le cas « Amazon » qui, de façon assez amusante, propose des « Petits prix sur Natural Language Processing » avec une « livraison tous les jours ». Là sont les limites de l’automatisation !


Plus sérieusement, la suite des résultats est effectivement pertinente par rapport à la question mais surprend par la fréquence de publications, environ un article par an, le plus récent datant de février 2019, « Natural Language Processing Applications in Finance – 3 Current Applications »[1]./

Les trois applications mises en avant sont :

1.     Credit Scoring

2.     Sentiment Analysis

3.     Document Search

Si les deux dernières ne sont pas spécifiques au domaine financier, la première interpelle car elle correspond à une tendance assez novatrice. L’objectif est de fournir une application type Smartphone, à un utilisateur qui est donc consentant.

Cette application, par un dialogue et une analyse des écrits de cet utilisateur sur les médias sociaux – sa page LinkedIn par exemple – va construire un profil et donc être à même de lui indiquer quel type de crédit est le plus approprié à son cas.

Il s’agit bien de Natural Language Processing (NLP) de données textuelles existantes.

Maintenant recommençons l’expérience avec « IA et Finance ». Dans ce cas, la liste est pléthorique avec de nombreux points de vue explicités par des journaux comme les Échos[2] qui a publié plusieurs articles à ce sujet. Il est vrai que toute requête contenant « IA et quelque chose » donne toujours un nombre appréciable de résultats tant le concept d’Intelligence artificielle est décliné à l’infini.

Indépendamment du phénomène de mode, la finance est un secteur d’activité qui a été pionner en matière d’analyse de données et sans doute un des principaux générateurs du Big Data. Analyser des tableaux financiers est une application idéale pour les technologies d’IA.

Mais en y regardant de plus près, l’enjeu n’est pas simplement l’analyse de données numériques, même artificiellement intelligente. Un article intéressant est celui du webzine Variances[3] « L’Intelligence Artificielle dans les services financiers : mythes, réalités et opportunités ? » publié le 10 avril 2019. A la question « quels sont les cas d’applications de l’IA dans les services financiers », quatre réponses sont apportées :

  1. Améliorer la recommandation client, par des scores produit (recommandation d’un produit spécifique à un client donné) ou des scores clients (ciblage marketing)
  2. Améliorer la relation client, en permettant de comprendre des situations plus complexes (assimilation de plus de variables/connaissance sur le client et donc personnalisation du discours au client concerné…
  3. Augmenter le collaborateur, dans ses tâches au quotidien, sa prise de décision (et éventuellement son parcours de formation – coach virtuel)
  4. Proposer davantage de selfcare aux clients

On s’aperçoit que pour le deuxième cas et dans une certaine limite le premier, ces réponses sont finalement assez proches de celles évoquées précédemment.

En effet, il y a bien longtemps qu’il existe des systèmes de type « arbres de décisions » permettent de parcourir un espace de solutions prédéfinies, par un jeu de questions/réponses ou de sélection de critères préétablis et finalement aboutir à une ou deux recommandations.

Les limites de cette approche sont connues : d’une part, l’utilisateur ne répond pas nécessairement de façon précise ; d’autre part, l’arbre de décision est lui-même limité à un modèle sous-jacent même si des technologies d’IA permettent de le rendre plus dynamique.

L’approche NLP est bien évidemment beaucoup plus prometeuse. Elle permet d’identifier et d’extraire des suites de mots ou d’expressions qui caractérisent des habitudes de consommation d’un utilisateur. Ces éléments sont ensuite regroupés (clusterisés) pour définir un profil dynamique de cet utilisateur qu’il est ensuite plus facile de corréler à des offres financières adaptées à ce profil. Par exemple ; si l’application détecte que l’utilisateur est instituteur, il y a de fortes chances que sa mutuelle préférée lui soit recommandée. Ces applications, QWAM les réalise avec sa suite QWAM Text Analytics en réalisant des traitements de type NLP et en mettant en œuvre des algorithmes de Machine Learning. Exploités dans de nombreux contextes opérationnels notamment pour l’analyse d’opinions et d’attentes comme cela fût le cas pour le Grand Débat national, QWAM Text Analytics offre de toutes nouvelles perspectives pour le monde de la finance. De nombreux pilotes sont en cours de réalisation et nous serons ravis de réfléchir ensemble à la meilleure façon de vous aider.


[1] https://emerj.com/ai-sector-overviews/natural-language-processing-applications-in-finance-3-current-applications/

[2] https://www.lesechos.fr/pme-regions/innovateurs/fintel-cree-lia-qui-analyse-la-solvabilite-des-demandeurs-de-credit-1034524 et https://www.lesechos.fr/finance-marches/marches-financiers/intelligence-artificielle-quand-des-robots-decryptent-le-discours-des-banques-centrales-1033962

[3] http://variances.eu/?p=4038