Goldman Sachs innove avec l'IA d'Anthropic pour ses opérations bancaires

```html

Goldman Sachs Adopte le Modèle Claude d'Anthropic pour Révolutionner Ses Opérations Bancaires

Goldman Sachs prévoit de déployer le modèle Claude d'Anthropic pour le traitement comptable des transactions commerciales et l'intégration des clients. Selon un article dans American Banker, cela fait partie d'un effort plus large des grandes banques visant à utiliser l'intelligence artificielle générative afin d'améliorer l'efficacité. L'objectif est de transformer les processus opérationnels des back offices, qui reposent traditionnellement sur de grandes équipes pour des tâches telles que l'examen des documents, la réconciliation et les vérifications de conformité.

Plusieurs banques ont déjà adopté l'IA générative dans leurs processus de travail intellectuel. Par exemple, JPMorganChase offre à ses employés un accès à une suite de modèles de langage pour la récupération d'informations et l'analyse de données, tandis que l'assistant Erica de Bank of America répond aux demandes internes sur la technologie et les ressources humaines. Citi et Goldman utilisent tous deux l'IA pour aider les développeurs à coder. L'article souligne que l'application plus récente de l'IA générative est orientée vers des tâches opérationnelles telles que la comptabilité commerciale et la vérification de l'identité des clients (KYC).

Automatisation des Cas Limites

Les processus automatisables dans le secteur bancaire sont généralement basés sur des règles, comprenant la collecte des données, leur validation par rapport à des bases de données internes et externes, ainsi que l'élaboration de la documentation nécessaire. Théoriquement, des logiciels conventionnels ont été utilisés pour automatiser ce type de travail. Cependant, Marco Argenti, directeur de l'information de Goldman, avance qu'un système basé sur des règles règle la plupart des cas, mais qu'un petit pourcentage de transactions échappe aux paramètres définis, ce qui se traduit par des milliers de cas individuels à traiter. Il cite l'exemple de la vérification d'identité dans le cadre de la conformité KYC, où de légers écarts ou des documents proches de leur expiration peuvent constituer des cas limites nécessitant un jugement.

Argenti explique que les réseaux neuronaux peuvent traiter ces micro-décisions car ils ont la capacité de raisonner de manière contextuelle là où les règles fixes peuvent manquer ou ne pas donner de réponse claire. Dans ce cas, l'IA générative vient compléter les systèmes de règles existants plutôt que de les remplacer. Les améliorations opérationnelles résident donc dans la réduction du nombre de cas nécessitant une intervention manuelle, raccourcissant ainsi le temps requis pour résoudre ces exceptions.

L'Expérience de Codage

L'expérience antérieure de Goldman avec les modèles Claude, utilisés en interne pour le développement logiciel, a motivé la décision d'étendre l'IA à d'autres domaines opérationnels. Les développeurs utilisent une version de Claude avec l'agent Devin de Cognition pour les assister dans la programmation. Dans ce contexte, les développeurs humains définissent les spécifications et les paramètres réglementaires, l'agent produit du code, et les humains passent en revue les résultats. L'agent est également utilisé pour exécuter des tests de code et des validations. Cela change les flux de travail des développeurs, les agents opérant selon des instructions définies, augmentant ainsi la productivité des développeurs et accélérant la réalisation des projets.

Pour la comptabilité des transactions et l'intégration des clients, les responsables du projet Goldman et Anthropic AI ont observé les flux de travail existants avec des experts du domaine afin d'identifier les goulots d'étranglement. Les agents mis en place examinent les documents, extraient les entités, déterminent si une documentation supplémentaire est nécessaire, évaluent les structures de propriété et peuvent déclencher d'autres vérifications de conformité. Les tâches automatisées de cette manière sont souvent gourmandes en documents et nécessitent un jugement individuel. En automatisant l'extraction et l'évaluation préliminaire, les agents réduisent le temps que les analystes passent à comparer

Indranil Bandyopadhyay, analyste principal chez Forrester, souligne que la réconciliation dans la comptabilité des transactions nécessite de comparer des données fragmentées dans les livres de comptes internes, les confirmations des contreparties, et de passer en revue les relevés bancaires. Un flux de travail typique repose sur l'extraction précise et le rapprochement des chiffres et du texte avec les documents existants. La capacité de Claude à traiter de grands volumes de contexte et à suivre les instructions en fait un bon candidat pour ces flux de travail. Les tâches impliquées dans l'intégration des clients, telles que l'analyse des passeports et des documents d'enregistrement d'entreprise, ainsi que le recoupement de toutes les sources, signifient que la capacité de l'IA à extraire des données structurées et à signaler les incohérences rend la technologie bien adaptée, réduisant la charge de travail globale.

Bandyopadhyay insiste sur le fait que les plateformes de comptabilité et de conformité demeurent les systèmes de référence canoniques. Claude opère dans la couche de flux de travail, gérant l'extraction et la comparaison pour que les analystes humains puissent gérer les exceptions du code. Selon son évaluation, la valeur opérationnelle dans des environnements réglementés comme la banque réside dans une telle division du travail.

Jonathan Pelosi, responsable des services financiers chez Anthropic, explique que Claude est entraîné à détecter les incertitudes et à fournir des attributions de sources, créant ainsi une traçabilité des audits et réduisant les hallucinations. Bandyopadhyay note également l'importance d'une supervision humaine et d'une validation, affirmant que les institutions devraient concevoir des systèmes permettant de détecter les erreurs tôt.

Marco Argenti de Goldman rejette l'idée que les systèmes d'IA sont intrinsèquement plus faciles à tromper que les humains, arguant que l'ingénierie sociale exploite les vulnérabilités humaines et que l'IA peut détecter des anomalies subtiles à grande échelle, réaffirmant ainsi la nécessité de combiner le jugement humain avec un examen automatisé en équipe. Son affirmation implique une augmentation de la capacité opérationnelle sans augmentation proportionnelle du personnel, malgré les problèmes connus liés au déploiement de l'IA.

L'IA dans les Opérations Bancaires

Dans le secteur bancaire, l'IA générative est un outil qui améliore la performance opérationnelle en accélérant le traitement des documents, réduisant le temps de gestion des exceptions et augmentant le débit dans des flux de travail à volume élevé. Cependant, la nécessité de conserver une supervision humaine pour contrer les erreurs de l'IA signifie que la rétention et la dépendance aux systèmes de référence existants demeurent essentielles.

(Source de l'image : "Dreams..." par noahwesley sous licence CC BY-NC-SA 2.0)

Envie d'en savoir plus sur l'IA et les données massives? Consultez l'AI & Big Data Expo qui se tient à Amsterdam, Californie et Londres. Cet événement complet fait partie de TechEx et est co-localisé avec d'autres événements technologiques majeurs. Cliquez ici pour plus d'informations.

AI News est propulsé par TechForge Media. Découvrez d'autres événements et webinaires technologiques d'entreprise à venir ici.

Le billet Goldman Sachs déploie avec succès les systèmes Anthropic est apparu en premier sur AI News.

@ReservoirLive

null