AGEFI Luxembourg, Septembre 2018

Intelligence artificielle et Asset Management : une alliance prometteuse

  • Share

Il y a aujourd’hui peu de sujets qui attirent autant d’attention et d’investissements que l’intelligence artificielle (IA). L’expression elle-même suscite de nombreuses interrogations, parfois directement issues de « 2001, l’Odyssée de l’Espace » ou de « Terminator ». Les machines vont-elles bientôt tout décider pour nous, prendre nos emplois et tout contrôler ? Faut-il avoir peur de l’IA ? Le monde de l’Asset Management n’est pas épargné par cette vague de questionnements.

« Bonjour, achète-moi un fonds investi en valeurs de croissance européenne qui correspond à mon profil de risque, et que je n’ai pas encore dans mon portefeuille ». C’est peut-être ainsi que tous les investisseurs finaux s’adresseront bientôt à leur gestionnaire d’actifs, par téléphone ou par « Chatbot », sans pour autant avoir un être humain au bout du fil, grâce à l’IA.

Le Gartner Goup prédit que chacun d’entre nous aura bientôt plus de conversations avec des « bots » qu’avec son ou sa partenaire, et cela dès 2020. Le marché mondial de l’IA était estimé à 12,5 milliards de dollars en 2017 et atteindra 47 milliards en 2020. Dès 2016, une étude EY sur le monde des Hedge Funds montrait que 31% des gestionnaires utilisaient des données dites « alternatives » dans leur processus d’investissement et 21% supplémentaires pensaient le faire dans les deux à trois années suivantes. Des études indiquent déjà que les gestionnaires utilisant des techniques de « machine learning » (apprentissage automatique) génèrent de meilleures performances. L’IA n’est donc pas une mode au caractère anecdotique et ses domaines d’applications sont multiples. Les lignes qui suivent ont pour objectif de préciser certaines notions et de présenter des cas d’usage de l’IA sur les différents constituants de la chaîne de valeur de l’Asset Management.

 

Définition

L’IA recouvre une série de technologies visant à simuler l’intelligence par la mise en œuvre de fonctions cognitives répliquant celles d’un être humain. Plus qu’une discipline distincte, l’IA regroupe, en fait, un ensemble de concepts et d’outils liés aux sciences cognitives et à l’informatique. Son développement récent a été rendu possible par l’augmentation des capacités de calcul des ordinateurs, et surtout par la disponibilité de masses de données extrêmement importantes collectées à travers les processus business et les médias sociaux. On est aujourd’hui aussi en mesure d’exploiter et de combiner des données structurées et non structurées.

 

Composants de l’Intelligence Artificielle

La reconnaissance de langage naturel est un des composants principaux de l’IA. Elle consiste à analyser et « comprendre » des textes écrits ou des conversations orales. Il s’agit de transformer un discours fluide en données structurées auxquelles des règles peuvent être appliquées. Cette technique doit permettre par exemple de traduire d’une langue dans une autre en préservant le sens, de sélectionner des messages en fonction de leur sujet, ou encore de répondre à des questions posées sous des formes très différentes.

Un autre composant essentiel de l’IA est le « machine learning ». Il s’agit d’apprendre à une machine à arriver à un résultat correct sans une programmation explicite. On distingue ici principalement l’apprentissage supervisé, où la machine affine sa capacité à arriver au bon résultat par une série de confirmations / infirmation fournies par l’humain, de l’apprentissage non supervisé, où l’ordinateur arrive de lui-même, par un processus itératif, au résultat et découvre la logique comprise, par exemple, dans des données apparemment sans cohérence. Il existe aussi différentes variantes des deux modes.

 

Une présence sur toute la chaîne de valeur

Les applications de l’IA pour l’Asset Management sont infinies et peuvent potentiellement couvrir tous les étapes: la gestion de portefeuille et les décisions d’investissement, l’on-boarding des clients, la conformité et la gestion des risques ou encore les opérations et le support aux investisseurs.

 

Gestion de portefeuille

Le premier domaine est certainement celui où les avancées sont d’ores et déjà les plus visibles. Certains gestionnaires basent leurs décisions sur l’analyse poussée de vastes quantités de données non financières. Il est par exemple possible d’évaluer la croissance économique d’un pays en combinant des données classiques avec l’analyse d’images satellites montrant les pôles de lumière. Le traitement des données du trafic internet sur certains sites permet d’en déduire la performance financière de distributeurs. Une grande partie du travail d’analyse financière, comme la lecture et l’interprétation des rapports annuels de sociétés, la revue des forums financiers et des blogs peut aujourd’hui être également automatisée. Le fameux « sentiment de marché » peut être déduit d’une exploitation automatisée des données disponibles sur les réseaux sociaux.

EY a, entre autres, développé un outil d’intelligence marketing qui collecte sur le web et traite un grand volume de données sur l’écosystème des fintechs et identifie les opportunités d’investissement et d’acquisitions.

Dernier exemple intéressant dans le domaine de la gestion. Une multinationale spécialisée dans la gestion d’actifs utilise maintenant des techniques d’intelligence artificielle pour élaborer des benchmarks qui reflètent mieux les secteurs économiques que les indices de type MSCI basés sur les classifications GICS statiques.  Une analyse automatisée des rapports annuels et des annonces d’une entreprise permettra ainsi de rapidement réallouer un titre à d’autres secteurs. Un grand distributeur sur internet est aussi un géant du « cloud computing», son titre ne doit-il pas alors être intégré dans un indice de valeurs technologiques ?

 

On-boarding

Le domaine de l’onboarding des clients est également un terrain privilégié d’application de l’IA. Tous les contrôles anti-blanchiment sur les investisseurs nécessitent de collecter et de contrôler de nombreuses données provenant de sources multiples. Les « faux positifs », c’est-à-dire les personnes identifiées à tort comme potentiellement dangereuses, sont un véritable casse-tête pour les distributeurs de fonds. Le « machine learning » permet ici d’affiner l’approche et de réduire au maximum le temps passé par des humains à revoir des dossiers. Quand on sait que l’analyse d’un cas complexe prend en moyenne plus de cinq heures et que, pour des  cas plus simples, on évoque un temps de travail de plus d’une heure et demi, on comprend que l’enjeu est de taille.

 

Risques et conformité

Pour ce qui est des risques et de la conformité (la deuxième ligne de défense), les opportunités sont également significatives. Le suivi des transactions pour la conformité avec les règles d’abus de marché, ou le contrôle du respect des restrictions d’investissement sont des terrains d’application privilégiés de l’IA et de ses différentes techniques. La veille règlementaire et juridique s’avère un domaine prometteur. La lecture et l’interprétation de toutes les règlementations ou publications affectant l’Asset Management requièrent un temps considérable de la part d’un personnel qualifié. Il est envisageable d’effectuer une lecture automatique de texte autorisant une sélection ciblée des articles pertinents pour un gestionnaire. En fonction du profil de ses produits et des pays de distribution, un « compliance officer » pourra alors consacrer son temps à analyser les impacts des textes qui le concernent réellement.

 

Mais un atout, avant tout !

L’IA peut contribuer significativement à améliorer la productivité des « back office » et des opérations en général. Dans ce domaine, on parle de plus en plus « d’automatisation intelligente ». Il s’agit d’enrichir des techniques procédurales de type robotisation avec des composants d’IA. Le support aux investisseurs nécessite souvent de répondre à de gros volumes d’emails. L’IA permet de lire les demandes, de les comprendre et de les classer par thème. Dans un deuxième temps, un robot va pouvoir alors agir en se connectant aux systèmes de production ou de comptabilité, pour rechercher des informations sur une transaction ou un fonds, par exemple, et préparer un email de réponse. L’opérateur n’aura alors plus qu’à valider la réponse, ou la corriger si nécessaire, avant envoi. Dans un autre domaine, tous les administrateurs de fonds connaissent la complexité de paramétrer les caractéristiques d’un nouveau fonds dans les systèmes de production. L’exercice commence souvent par la lecture du prospectus et l’extraction des différents éléments : tarification, restrictions d’investissement, etc. Des fiches sont alors préparées pour alimenter les systèmes. L’IA permettra ici de lire le document légal et d’en extraire des règles compréhensibles par un système classique.

 

Conclusion

On le voit, le champ des possibles de l’IA pour l’Asset Management est immense et ne cesse de s’étendre. Aucun acteur du secteur ne peut ignorer ces technologies. Il existe aujourd’hui un vivier de FinTechs dans lequel il est possible de puiser pour construire les solutions de demain. Dans cet esprit, EY a d’ailleurs mis en place un réseau de centres d’expertise sur ces technologies, le « EY wavespaceTM », qui permet à ses clients de bénéficier de toutes les dernières innovations.

Finalement, il est important de souligner que l’IA ne remplace pas l’humain. Elle lui permet d’améliorer sa capacité à traiter et intégrer l’information, mais également à être plus efficace dans son travail. Pour conclure sur une référence cinématographique, il est préférable d’apparenter l’IA au monde d’« Iron Man » (l’homme augmenté par la puissance de la machine) plutôt qu’à celui de « Terminator », dans lequel les machines prennent le contrôle et le pouvoir.