L'apprentissage automatique dans les services financiers: une discipline sous l'IA

Le terme intelligence artificielle (IA) a été inventé pour la première fois en 1956 par l'informaticien John McCarty, lors de la première conférence universitaire sur le sujet au Dartmouth College. McCarty, qui est largement reconnu comme le père de l'IA, l'a définie comme «la science et l'ingénierie de la fabrication de machines intelligentes».

Au fil du temps, le sens de l'IA a été affiné à la «simulation de processus d'intelligence humaine par des machines »ou« un large éventail de méthodes, d'algorithmes et de technologies qui rendent les logiciels «intelligents» d'une manière qui peut sembler humaine à un observateur extérieur. » Puisque «intelligence», «intelligent» et «semblable à un humain» sont des termes nébuleux, l'IA est devenue le terme générique utilisé pour désigner toute la classe des technologies et des algorithmes, qu'ils aient ou non la capacité «d'apprendre» ou d'avoir

De nombreuses applications d'IA, comme la navigation GPS, sont basées sur des modèles programmés statiquement. Programmé statiquement se réfère à l'utilisation de règles logiques prédéfinies codées en dur pour déterminer les résultats (résultats, sorties) sur la base des données d'entrée. Ces systèmes n'apprennent pas et les résultats produits pour un ensemble donné d'entrées ne changeront pas à moins que les règles logiques codées ne soient reprogrammées.

En comparaison, les applications d'apprentissage automatique (ML), en tant que sous-ensemble de l'IA, ne sont pas programmées pour effectuer une tâche donnée, mais plutôt d'apprendre à effectuer la tâche. Les techniques d'apprentissage automatique permettent au logiciel d'améliorer les performances au fil du temps car il ingère plus de données – en reconnaissant les tendances à partir des données ou en identifiant les catégories inhérentes à l'intérieur – pour faire des prédictions précises. formés pour reconnaître les éléments et caractéristiques significatifs des données afin d'ajuster leurs facteurs internes à l'aide de diverses approches statistiques. Les techniques ML couramment utilisées comprennent des algorithmes tels que k voisins les plus proches, les machines à vecteurs de support et les réseaux de neurones. L'apprentissage profond est une sous-catégorie de ML qui utilise de vastes réseaux de neurones pour représenter de près un cerveau humain afin d'émuler la pensée humaine.

Reconnaître les caractéristiques clés de l'apprentissage automatique.

Il y a quelques caractéristiques clés qui définissent ML. Les applications d'apprentissage automatique font des prédictions, tandis que les applications d'IA non ML font des déterminations. Une application de navigation peut déterminer un itinéraire du point A au point B, mais une application de magasinage basée sur ML, par exemple, ne peut prédire que vous pourriez acheter un certain produit en fonction de votre historique d'achat. Dans les services financiers, des algorithmes similaires basés sur le ML peuvent être utilisés pour suggérer les meilleures actions suivantes pour un client ou identifier des transactions potentiellement frauduleuses dans un compte.

La caractéristique la plus saillante des algorithmes ML est peut-être qu'ils sont conçus pour apprendre comment pour exercer une fonction, et en tant que tels, ils doivent être formés à le faire. Bien qu'il existe différentes approches pour la formation des applications ML (supervisées, non supervisées, renforcées), elles partagent la caractéristique commune que les données utilisées pour la formation doivent être correctes. Une formation avec des données incorrectes ou incomplètes entraînera des performances sous-optimales des algorithmes ML. C'est comme essayer d'apprendre une langue étrangère à partir d'un manuel qui contient des mots inventés, une grammaire incorrecte et des phrases manquantes.

L'apprentissage automatique est sur le point de changer les affaires, la vie et même la société. Les programmes ML sont utilisés pour reconnaître les cancers indétectables à l'œil humain, identifier les menaces terroristes potentielles dans les médias sociaux et permettre aux entreprises d'offrir une expérience client personnalisée qui éclipse la concurrence. Dans les services financiers, le ML joue un rôle de plus en plus important dans la détection des fraudes, la souscription, le risque de crédit, la gestion de portefeuille, la sélection de produits et le marketing, ainsi que le service client.

Pour en savoir plus sur les différences spécifiques entre l'IA et le ML , données sales et moyens de tirer parti de ces technologies, vous pouvez cliquer sur ici ou remplir le formulaire ci-dessous.