Chez Capital One, l’apprentissage automatique est devenu un élément clé de son activité, la société de services financiers adoptant un processus standardisé pour développer des modèles et parrainer des recherches pour aider à définir sa stratégie.
La société de services financiers basée à McLean, en Virginie déploie le ML dans plusieurs cas d’utilisation, en s’appuyant sur son écosystème de données basé sur le cloud. La prise en charge du ML va jusqu’à la suite C : Rich Fairbank, PDG de Capital One, a mentionné le ML à sept reprises lors d’un appel d’analystes l’année dernière et a cité l’utilisation du ML pour surveiller l’environnement économique. CapitalOne poursuit maintenant la pratique émergente de Opérations de ML (MLOps)essentiellement, DevOps pour ML, pour institutionnaliser davantage la technologie.
Zacharie Hanif
“Nos capacités AI ML sont absolument essentielles à la façon dont nous construisons nos produits et, plus encore, elles sont très importantes pour la façon dont nous gérons réellement notre entreprise”, a déclaré Zachary Hanif, vice-président et responsable du modèle et des plates-formes d’apprentissage automatique. à Capital One. « Depuis plusieurs années, nous exploitons les capacités d’apprentissage automatique dans l’ensemble de l’entreprise de diverses manières. »
Ces moyens incluent l’utilisation du ML pour renforcer détection de fraudeoffrir des expériences client plus personnalisées et améliorer la planification des activités. Quant à ce dernier, “nous nous assurons que nous avons une meilleure compréhension des conditions des marchés émergents et de notre place au sein de l’économie plus large”, a déclaré Hanif.
Apprentissage automatique dans le secteur bancaire
Capital One n’est pas le seul à poursuivre le ML. Grande les banques montrent la voiecréer leur propre infrastructure pour lancer des applications.
Mais les petites institutions financières cherchent également à exploiter le ML, en utilisant des plates-formes et des services tiers plutôt que de développer des capacités internes.
“Je pense que c’est important pour toutes les banques en ce moment”, a déclaré Joe Davey, associé dans la pratique technologique de West Monroe, une société de conseil dont le siège est à Chicago. “Les banques, dans l’ensemble, ont essayé de tirer parti de la technologie pour réduire leurs ratios d’efficacité”, a-t-il déclaré, faisant référence au rapport entre les dépenses d’exploitation et les revenus. “[ML] n’est qu’une pièce de plus du puzzle de l’automatisation.”
Construire une plate-forme ML
L’initiative ML actuelle de Capital One découle d’une transformation technologique d’une décennie – un programme qui comprenait la réarchitecture de son environnement de données.
Les plates-formes basées sur le cloud qui en résultent — Capital One utilise l’entrepôt de données de Snowflake et la plate-forme d’ingénierie, par exemple – fournissent l’infrastructure de base sur laquelle les développeurs peuvent créer et déployer des modèles.
“L’infrastructure permet à vos équipes de se concentrer sur le problème qu’elles ont à portée de main sans penser à tous les composants nécessaires qui sont nécessaires pour prendre en charge la résolution”, a déclaré Hanif. “Les développeurs passent plus de temps à se concentrer sur le matériel qui compte le plus pour le problème de l’entreprise.”
Il a déclaré que l’approche de la plate-forme faisait également progresser le concept informatique d’accessibilité, qui vise à rendre les données et les applications intelligibles et disponibles pour les utilisateurs et les développeurs.
“L’accessibilité est extrêmement importante”, a déclaré Hanif. “Si vous ne pouvez pas rendre un logiciel accessible à vos utilisateurs – ce qui signifie qu’ils sont capables de le comprendre, de réfléchir à la manière dont ils peuvent l’appliquer et d’en voir l’utilité dans leur environnement – il a, en substance, n’a pas tenu ses promesses et son potentiel.”
Les plates-formes deviennent importantes lorsque les organisations cherchent à étendre l’IA et le ML au-delà des premières expériences et pilotes. Dans l’industrie pharmaceutique, Eli Lilly a créé un programme de données d’entreprise et des plates-formes d’analyse centralisées pour aider à faire évoluer l’IA dans toute l’entreprise.
La plupart des entreprises ont deux ans ou moins d’expérience en ML, mais des méthodes telles que MLOps pourraient les aider à évoluer.
Accélérer les MLOps : défis et avantages
L’échelle est une question de méthode autant que de technologie. Dans cette veine, MLOps fournit une approche pour exécuter un programme ML à l’échelle de l’entreprise. Hanif a déclaré que Capital One avait “pleinement adopté les processus MLOps” et se classe parmi les premiers à adopter, en particulier dans le secteur des services financiers.
“Nous considérons les MLOps comme le cadre fondamental pour pouvoir mettre en place des équipes pour réussir dans l’apprentissage automatique, déployer leurs capacités à grande échelle et garantir que nous sommes en mesure de créer un environnement de bout en bout”, a déclaré Hanif. L’objectif : fournir un environnement cohérent pour la conception, le déploiement et la gestion de modèles ML, de manière répétée et en plus gros volumes.
Nous considérons les MLOps comme le cadre fondamental pour pouvoir mettre en place des équipes pour réussir au sein de l’apprentissage automatique, déployer leurs capacités à grande échelle et garantir que nous sommes en mesure de créer un environnement de bout en bout.
Zacharie HanifVice-président et responsable du modèle et des plates-formes d’apprentissage automatique chez Capital One
Les données indisciplinées sont un obstacle sur le chemin des MLOps et du ML à grande échelle. Les organisations peuvent avoir des données stockées dans une variété d’endroits, ce qui les rend difficiles à découvrir, a déclaré Hanif. “Le premier défi auquel vous devez toujours vous attaquer, ce sont les données”, a-t-il noté. Un deuxième défi, a déclaré Hanif, consiste à établir un flux de travail ML que les équipes de développement peuvent suivre.
Les organisations qui surmontent ces obstacles pourraient potentiellement voir une augmentation significative de l’efficacité du ML. Un livre blanc de Harvard Business Review Analytic Services, citant des données de Cnvrg.io, a noté que les premiers utilisateurs de MLOps ont signalé une augmentation de la productivité jusqu’à 10 fois et une formation de modèle 5 fois plus rapide.
Ce rapportque Capital One a parrainé, a également suggéré que la plupart des modèles ML existent en dehors d’un processus structuré pour les gérer. Le rapport cite des recherches d’IDC qui affirment que 90 % des modèles de ML ne sont pas déployés en production.
De tels modèles peuvent en fait être utilisés dans les organisations et affecter les décisions commerciales. Mais ils ne sont pas déployés à l’intérieur d’un pipeline de publication standard avec des tests automatisés à grande échelle et une surveillance de la validation, a noté Hanif.
“Vous avez des scientifiques des données qui développent des centaines ou des milliers de modèles ML qui ne voient jamais vraiment la lumière du jour”, a-t-il déclaré. “Ils existent dans une sorte d’état d’ombre.”
Cela dit, Hanif a déclaré qu’il pensait que davantage d’entreprises exploraient désormais les MLOps pour créer un cadre bien gouverné pour le cycle de vie du ML.
Cette manière structurée de gérer le ML arrive alors que de plus en plus d’institutions financières reconnaissent le potentiel de la technologie.
“Les banques commencent à mieux comprendre ces cas d’utilisation qu’il y a quelques années”, a déclaré Davey de West Monroe.
Il a souligné que la détection des anomalies et le risque de crédit étaient des applications typiques des services financiers, notant que toutes les grandes banques et de nombreuses banques de taille moyenne, sinon la plupart, poursuivent ces applications. Le traitement et l’intégration des documents, quant à eux, sont des cas d’utilisation émergents du côté opérationnel, a-t-il ajouté.
Investir dans l’apprentissage
Un autre aspect de la stratégie ML de Capital One est la recherche sponsorisée, le livre blanc HBR Analytic Services en est un exemple. Ce rapport, publié en octobre 2022, a plaidé en faveur des pratiques MLOps suivies par Capital One : “Les entreprises sans programmes MLOps matures pourraient voir leurs concurrents les dépasser en utilisant ML”, indique le livre blanc.
Capital One, également l’année dernière, a commandé un rapport Forrester Research sur les défis du ML. Pour ce projet de recherche, Forrester a interrogé 150 décideurs en gestion de données en Amérique du Nord. Le rapport a mis en évidence la détection d’anomalies comme le meilleur cas d’utilisation du ML et a souligné l’importance de partenariat avec des tiers pour faire progresser les stratégies de ML d’entreprise.
L’investissement dans la recherche informe les méthodes ML et les plates-formes technologiques de Capital One.
“Nous nous assurons et nous développons tout un ensemble d’apprentissages pour nous assurer que nous tirons parti des meilleures pratiques”, a déclaré Harif.
