Les modèles d'Intelligence Artificielle dans la finance

Extraits

[...] Reinforcement learning. Apprentissage par renforcement. Supervised learning, supervised training. Apprentissage supervisé. unsupervised learning, data clustering, unsupervised training. Apprentissage non supervisé. Intelligence artificielle et algorithme Le mot algorithme est communément utilisé pour désigner un processus mettant en œuvre une IA. Parmi les algorithmes les plus connus, ceux de Google et de Facebook. [...]

[...] Dès à présent la machine se montre supérieure à l'homme dans plusieurs domaines : prévention d'épidémies, diagnostic de certaines maladies, reconnaissance visuelle . Pour certains, l'intelligence artificielle pourrait d'ici peu dépasser celle du cerveau humain. La question divise et oppose ainsi que l'illustrent les vifs échanges intervenus entre le fondateur de Tesla, Elon Musk et celui de Facebook, Mark Zuckerberg. Mais le sujet est sérieux : la moyenne des réponses apportées par un panel d'ingénieurs américains spécialisés en IA situe ce moment, désigné « singularité », aux alentours de 2040. [...]

[...] Enjeux et limites des algorithmes financiers : quel avenir pour l'intelligence artificielle dans la finance ? La compréhension technique du fonctionnement des outils IA financiers amène à relativiser les ambitions affichées par certaines Fintechs. « Transparence », « prévisibilité » et « discipline » de la finance, ainsi pourraient être résumées les promesses et attentes que suscitent les outils « IA financière », telles qu'elles résonnent depuis quelques mois dans les slogans des Fintechs. Ces nouveaux outils sont l'application dans le domaine financier d'algorithmes spéciaux, dont la plupart relèvent des techniques d'intelligence artificielle qui parviennent aujourd'hui à traiter de très grands ensembles de données (big data). [...]

[...] Comment analyser une intelligence artificielle ? Pour analyser un système automatisé classique, un expert dispose de 2 grands moyens traditionnels : l'objet constitué par le système lui-même (dans ses différents composants matériels et logiciels), qu'il peut étudier ou soumettre à des essais ; les traces (documents de projet, échanges, journaux techniques) constituées pendant la vie du système, qu'il peut analyser a posteriori. Comme premier moyen, une analyse statique du système consiste à étudier le code source d'un composant logiciel (pour rechercher par exemple un bug ou une faille de sécurité dans une séquence d'instructions). [...]

[...] Cette illusion imprègne de nombreuses analyses sur l'intelligence artificielle qui prêtent à ces dispositifs des capacités immédiates ou futures de quasi-réplication de l'intelligence humaine. Ce contexte est nourri chaque jour par les nouveaux progrès réalisés par les IA et nous conduit à aborder ces outils avec une certaine part de mysticisme, en considérant que ce qui n'est pas tout à fait possible aujourd'hui, le sera nécessairement demain. Pour dépasser toute considération instinctive ou fantasmée, il convient d'appréhender la capacité précise de ces technologies de traitement et d'analyse de l'information en distinguant trois clés de compréhension : Les IA ne produisent pas de l'intelligence à proprement parler mais calculent des probabilités, par exemple à partir de liens entre différents groupes lexicaux au sein d'un ou plusieurs supports textuels ; Ces probabilités s'appuient sur une statistique des contextes exploitant une base d'une taille inédite de données (big data) ; La qualité de la restitution est totalement dépendante de la qualité des données en entrée et de la phase d'apprentissage. [...]