L’erreur est humaine, surtout lorsqu’on manipule une multitude de chiffres au quotidien. Mais que se passerait-il si votre banque commettait les mêmes erreurs ? A coup sûr, elle perdrait immédiatement toute crédibilité auprès de ses clients.
C’est pourquoi tant de sociétés financières choisissent des solutions d’automatisation, et pas seulement pour le traitement des chiffres. Prenons le cas de l’extraction des attributs de données liés aux annonces d’opérations sur titres. C’est le cas d’utilisation classique que Frank Chen, responsable de l’automatisation intelligente et du bureau de gestion de projet (PMO) chez J.P. Morgan, a évoqué lors du sommet de notre partenaire technologique, UiPath, dédié à l’intelligence artificielle.
Le cas de J.P. Morgan
D’après Frank Chen, l’automatisation de ce processus a toujours été un défi majeur car il n’existe pas de normes industrielles imposant un format de document cohérent. Par conséquent, les outils traditionnels de reconnaissance optique de caractères (OCR) ne peuvent pas extraire efficacement les données requises. Les formats et le contenu changent constamment. Par le passé, si une entreprise disposait d’un modèle pour automatiser le processus, tout changement ou écart par rapport au modèle pouvait mettre fin à l’automatisation et nécessiter une réparation coûteuse et longue.
La solution proposée à J.P. Morgan consistait en une approche à trois volets reposant sur plusieurs produits. La première étape a consisté à créer un robot qui visite le site Web de la bourse et extrait les avis d’action pertinents. Ensuite, l’avis d’action devait passer par UiPath Document Understanding pour extraire les attributs pertinents et remplir un modèle avec les informations requises. Ce processus s’appuyait sur un modèle de données basé sur l’IA. Et selon Chen, c’est ce composant qui a « changé la donne ».
Un utilisateur non technique de l’équipe des opérations a créé un modèle et l’a entraîné. Auparavant, le processus nécessitait une longue collaboration avec un data scientist pour créer un modèle exploitable. Chaque fois que des modifications étaient nécessaires, l’équipe devait faire appel à nouveau au spécialiste des données et recommencer le processus.
Enfin, J.P. Morgan souhaitait formaliser un processus d’examen qui donnerait aux utilisateurs et aux développeurs la certitude que les modèles qu’ils construisent fonctionnent comme prévu. Et si quelque chose n’allait pas, ils voulaient avoir la possibilité de réentraîner le modèle et d’améliorer continuellement ses résultats.
Nos conseils pour les banques qui débutent dans l’automatisation
1. Commencez petit
Il est préférable d’avoir une solide compréhension des capacités de l’automatisation et de s’assurer qu’un outil fonctionne comme il le devrait avant d’élargir votre champ d’action. Pour acculturer votre organisation, vous aurez aussi besoin d’un projet de validation de concept réussi.
2. Comprendre ce que vous voulez automatiser et pourquoi vous voulez le faire
L’automatisation est une solution efficace dans de nombreux cas. Cependant, comme pour toute décision, étudiez plusieurs options pour trouver celle qui convient le mieux à votre situation.
3. Réutiliser, réaffecter et faire évoluer
Le cas d’utilisation initial que vous créez peut avoir une application plus large. D’autres équipes et départements peuvent être confrontés à des défis similaires. Ainsi, augmentez progressivement la valeur de l’automatisation en exploitant et en réutilisant les composants d’automatisation existants et en impliquant d’autres parties prenantes dans votre projet.
Les facteurs d’adoption de l’IA et de l’automatisation dans le secteur bancaire
D’abord, le secteur bancaire comporte une forte intensité documentaire, sans normes de format globales. Les banques traitent une grande quantité de données semi-structurées et non structurées et les processus associés peuvent être très laborieux. L’automatisation et l’IA peuvent donc prendre en charge une part croissante de cette charge de travail.
En outre, le secteur a déjà automatisé un grand nombre de ses tâches répétitives et fondées sur des règles. Les entreprises cherchent désormais des moyens d’automatiser les processus variables qui mélangent des tâches basées sur des règles avec des données plus fluides et non structurées. Cela nécessite des capacités avancées d’apprentissage automatique, de prédiction et d’autres capacités de résolution de problèmes qui reflètent les compétences cognitives humaines.
Enfin, toutes les entreprises veulent désormais être davantage centrées sur le client. Et pour offrir des expériences sur-mesure, les banques doivent surveiller et répondre aux données non structurées provenant d’une grande variété de canaux, notamment les courriels et les médias sociaux.
A propos de StoryShaper :
StoryShaper est une start-up innovante qui accompagne ses clients dans la définition de leur stratégie digitale et le développement de solutions d’automatisation sur-mesure.
Sources : StoryShaper, UiPath, J.P. Morgan
