Durant presque 50 ans, les banques utilisaient des modèles statistiques afin de faciliter la prise des décisions en matière de prêt. Désormais presque chaque opération bancaire est effectuée à l’aide du Real-Time Big Data Analytics.
Les décisions ont été prises à la base des modèles, elles sont loin d’être parfaites et donc les modèles de gestion des opérations est un des problèmes majeurs pour les banques. Alors, comment le MLOps peut aider à résoudre ce problème? Premièrement, qu’est-ce que le MLOps ?
La définition du MLOps
Machine Learning et Operations (autrement dit Model Ops) est une variante du DevOps (développement et opérations). Alors que le DevOps se focalise sur le processus d’optimisation pendant le développement d’une application, le MLOps porte plutôt sur l’analyse. Avec l’analyse prédictive, le MLOps permet un développement et un déploiement de modèles nets, continus et efficaces.
En raison d’une adoptation rapide de l’Intelligence Artificielle et du Machine Learning, de nouveaux modèles apparaissent aussi très vite. Bien que beaucoup d’organisations reconnaissent l’importance de développer la culture des données au cours de la transformation numérique continue, travailler avec ces modelès est un défi et le risque de commettre des erreurs est élevé.
L’approche du MLOps aide à favoriser la communication entre les Data Scientists, les ingénieurs des données, les propriétaires d’applications et les propriétaires des infrastructures.
En outre le MLOps coordonne des transferts et une execution sans faille, donc ces modèles peuvent être considérés comme « du dernier kilomètre ». L’automatisation des flux de travail, le contrôle des versions, l’avancement, la gestion des ressources informatiques, la surveillance, la mise à l’echelle et la personnalisation sont du domaine du MLOps.
Qui a besoin du MLOps?
Les grandes banques utilisent les approches d’analyses des modèles depuis des années. En même temps les modèles n’arretent pas d’évoluer, de nouveaux modèles apparaissent pour remplacer ceux qui sont devenus obsolètes, et les différents départements des banques utilisent des méthodologies variées, outils et techniques pour gérer le cycle de vie du modèle.
En générale, les banques ont tendance à isoler les données financières dans les dépots, le même principe est appliqué avec les modèles. Un modèle, calculant le risque dans le domaine du crédit hypothécaire peut omettre les données sur le même client dans le service de prêt. Il en résulte que le modèle ne pourra pas prendre en considération le fait que le client a déjà un prêt important et ainsi pourrait prendre une mauvaise décision.
En plus, le lancement de nouveaux modèles dans une grande banque peut devenir un problème durable, car ces organisations sont moins flexibles. Le processus de déploiement d’un nouveau modèle peut prendre quelques mois. Selon Gartner, moins de la moitié des modèles développés sont finalement lancés.
Pour les jeunes banques et les entreprises FinTech il pourrait être plus facile d’organiser un travail flexible avec des modèles analytiques. En outre, les banques n’attirent pas une attention particulière des régulateurs, car le volume de leurs opérations ne laisse pas d’impact considérable sur l’économie.
Toutefois, la croissance de l’entreprise est accompagnée d’augmentation du fardeau réglementaire. La gestion intuitive des modèles ne fonctionne pas à long terme. Pour rester competitif contre les principaux acteurs du marché financier, les jeunes banques doivent renforcer leur gestion et optimiser leurs processus.
Les difficultés de la gestion du modèle
Pour résoudre un problème vite et d’une manière efficace, avant tout il est nécessaire de comprendre sa nature. En parlant de banques et de modèles analytiques, le problème réside avant tout au niveau des différentes approches.
D’une part, il y a la Data Science, basée sur l’analyse des données et destinée à augmenter l’efficacité des processus d’affaires à l’aide de la gestion de l’information. D’autre part, il y a une mise en oeuvre technique qui doit fournir une solution solide dans le cadre des contraintes réglementaires et commerciales. Ces deux systèmes fonctionnent de manière differente, et ont des objectifs différents sur le plan local.
C’est récemment avec la diffusion du développement de la technologie Cloud et l’introduction des techniques DevOps, qu’il est devenu possible d’assurer une synergie entre les deux systèmes. Par exemple, le Cloud peut garder le cycle de vie du modèle indépendant d’un département particulier. En outre les outils DevOps modernes offrent la possibilité d’interraction entre les Data Scientists et les spécialistes techniques.
L’avenir du MLOps
Que ce soit avec les banques ou les entreprises FinTech, le MLOps jouera un rôle important dans le développement de l’industrie dans les prochaines années.
Aujourd’hui presque toutes les institutions financières luttent contre la gestion des modèles inertes, et surtour contre les déploiements lents et inefficaces. Selon les études de McKinsey il n’y a que 6 % des entreprises utilisant l’IA (l’Intelligence Artificielle) de façon active pour prendre les décisions et moins de 15% qui disposent d’une infrastructure informatique afin de soutenir le déploiement de modèles.
Au sein d’Andersen, nous supportons activement l’intégration du DevOps dans les processus de développement et nous disposons d’une expertise de travail avec l’IA et la Data Science. Avec la FinTech nous développons aussi des solutions pour l’e-commerce, le secteur de la santé et ainsi que pour d’autres industries.
