Du scoring au raisonnement : opérationnaliser l’IA de confiance avec Cloudera, NVIDIA et Dell Technologies pour les services financiers.
L’IA d’entreprise a franchi une étape importante au cours des deux dernières années. Le débat ne porte plus sur la question de savoir si l’IA fonctionne ni sur les modèles à évaluer ; il s’agit de savoir comment la mettre en production de manière fiable, l’exploiter à grande échelle et assumer chacune des décisions qu’elle prend. Les questions qui occupent aujourd’hui les responsables informatiques et les dirigeants d’entreprise sont d’ordre opérationnel. Où doivent résider les charges de travail d’IA, comment doivent-elles se connecter aux données qui les rendent utiles, et comment l’organisation peut-elle garder le contrôle des réponses produites par l’IA ?
Derrière cette évolution opérationnelle se cache une évolution plus profonde. Pour les entreprises de services financiers qui gèrent la détection des fraudes et le risque de crédit, les premières mises en œuvre de l’IA étaient axées sur des prédictions isolées et des résultats binaires. Les exigences actuelles nécessitent des systèmes capables de raisonner à partir de plusieurs sources de données, d’expliquer leurs décisions et de prendre instantanément des mesures coordonnées. Ce passage du scoring au raisonnement transforme la manière dont les organisations abordent leurs flux de travail les plus critiques.
Cette évolution nécessite une base différente. Des données fiables sur lesquelles l’IA peut s’appuyer, une infrastructure d’IA spécialement conçue, ou des usines d’IA capables de fournir une inférence en temps réel à grande échelle, ainsi que la capacité à conserver les données sensibles dans des environnements souverains et sécurisés. Cloudera AI, accélérée par NVIDIA et déployée sur l’infrastructure de Dell Technologies, offre aux entreprises une base concrète pour répondre aux enjeux actuels, avec les services financiers comme preuve de réussite phare et une proposition de valeur qui s’étend à toute organisation faisant passer l’IA du stade pilote à la production.
De l’expérimentation à la mise en œuvre opérationnelle
Une étude menée par Enterprise Strategy Group, qui fait désormais partie d’Omdia, indique que 78 % des organisations de services financiers considèrent les agents IA comme une priorité absolue ou majeure par rapport aux autres initiatives d’IA. Cette priorité accrue ne concerne pas uniquement les services financiers. Dans les secteurs réglementés, l’IA est passée de projets expérimentaux à une priorité au niveau des conseils d’administration, l’accent étant mis sur les processus métier les plus déterminants. La lutte contre le blanchiment d’argent, l’octroi de crédits, la gestion des risques et la détection des fraudes figurent parmi les principaux cas d’usage, mais la même tendance s’observe dans les secteurs de la santé, des télécommunications, du secteur public et de la fabrication.
La même recherche met en évidence des frictions. 51 % des organisations de services financiers font état de préoccupations liées à la confidentialité des données et au traitement des informations sensibles lors de l’utilisation d’agents IA. 45 % sont préoccupées par le manque de précision des décisions prises par les agents IA. Il ne s’agit pas d’hésitations à adopter l’IA propres à l’ère de l’expérimentation. Il s'agit d'exigences opérationnelles auxquelles tout système d'IA en production doit satisfaire, et les choix architecturaux effectués aujourd'hui contribueront à répondre à ces exigences ou, au contraire, les compromettront pendant des années.
Une nouvelle architecture : du scoring au raisonnement
Le machine learning traditionnel continue d’apporter une valeur considérable pour le scoring à haut volume et à grande vitesse. Les modèles entraînés sur des données structurées évaluent les transactions en moins de 50 millisecondes et détectent les anomalies à grande échelle. Le machine learning n’explique pas bien son propre fonctionnement. Un score indique à un enquêteur ce qui s’est passé. Il ne leur dit pas pourquoi et ne donne pas à un évaluateur humain le contexte nécessaire pour prendre une décision en toute confiance.
L’IA générative comble cette lacune. Les grands modèles de langage peuvent traiter des milliers de pages de documents, en extraire les signaux pertinents et générer des synthèses narratives qui expliquent des situations complexes en langage clair. Pour une affaire de fraude, l’IA générative produit une note d’enquête qui contextualise les raisons pour lesquelles une transaction a été signalée. Pour une décision de crédit, elle rédige une note préliminaire qui synthétise les données financières structurées, les renseignements sur le marché et l’analyse non structurée.
L’IA agentique orchestre ces capacités en flux de travail coordonnés. Plutôt que de demander aux analystes humains de recueillir des informations issues de systèmes déconnectés, les agents récupèrent de manière autonome les données pertinentes, invoquent les modèles appropriés et élaborent une évaluation complète qu’un humain examine et à la suite de laquelle il agit. Il en résulte des décisions plus rapides et des résultats mieux expliqués, tandis que l’humain garde le contrôle de la décision finale. C’est cette architecture que NVIDIA appelle une AI Factory pour les services financiers : un système full-stack prêt pour la production, dans lequel des agents d’IA soumis à une gouvernance et à haut débit interviennent dans les principaux workflows financiers, de la détection des fraudes et de la souscription de crédits à la modélisation des risques et à la connaissance client, transformant les centres de données traditionnels en environnements à l’échelle industrielle dédiés à la production d’intelligence.
Où l’IA a sa place : avec les données
La question opérationnelle la plus déterminante pour l’IA d’entreprise est aussi la plus simple. Où l’IA doit-elle fonctionner ? La réponse est de plus en plus claire. L’IA offre la plus grande valeur commerciale lorsqu’elle fonctionne là où se trouvent vos données, que ce soit sur site, dans le Cloud ou dans des environnements hybrides. Pour les institutions financières, il ne s’agit pas d’une préférence architecturale ; c’est un impératif réglementaire et concurrentiel. Les banques et les prestataires de paiement qui entraînent des modèles personnalisés, adaptés à leur domaine, à partir de leurs propres données transactionnelles propriétaires se dotent d’un actif d’intelligence que leurs concurrents ne peuvent pas reproduire. Cloudera permet de déployer l’IA où que se trouvent ces données.
Ce qui change lorsque l’IA fonctionne aux côtés des données d’entreprise, c’est la qualité du contexte. Un score de risque, pris isolément, est un chiffre. Un score de risque associé à un accès complet aux transactions récentes, à l’historique du client, aux signaux de l’appareil et au comportement du compte devient une recommandation contextualisée sur laquelle un humain peut agir en toute confiance. Cette profondeur contextuelle, c’est-à-dire la capacité à extraire des signaux prédictifs des ensembles de données multimodaux que les institutions financières détiennent déjà, distingue les institutions qui développent leur propre intelligence artificielle propriétaire de celles qui s’appuient sur des modèles génériques.
Cloudera AI, accélérée par NVIDIA, sur Dell Technologies pour les services financiers
Cloudera fournit une base de données fiable. La plateforme hybride de données et d’IA de Cloudera unifie les données structurées et non structurées au sein d’une architecture Lakehouse ouverte. Données en mouvement de Cloudera capte des flux en temps réel ainsi que des données historiques, tandis que Shared Data Experience assure une gouvernance et une sécurité cohérentes dans les environnements sur site, de Cloud privé et de Cloud public. La plateforme est conçue pour maintenir les données sensibles à l’intérieur de sa juridiction tout en les rendant accessibles aux systèmes d’IA qui en ont besoin.
NVIDIA accélère le pipeline d’IA grâce à une plateforme AI Factory full-stack. Les GPU NVIDIA Blackwell réduisent le temps d’entraînement pour le Machine learning traditionnel et permettent une inférence à grande échelle pour les réseaux de neurones et les modèles de langage. Pour la modélisation des risques, l’accélération NVIDIA transforme les simulations qui s’exécutaient auparavant pendant la nuit en analyses en temps quasi réel. Cloudera AI Inference, optimisé par NVIDIA, permet aux organisations de déployer et de mettre à l’échelle des modèles sur site, grâce à la pile d’IA NVIDIA comprenant NVIDIA Nemotron, la famille de modèles ouverts et adaptables à chaque domaine de NVIDIA que les institutions peuvent affiner sur leurs propres données propriétaires, NVIDIA Dynamo-Triton Inference Server et NVIDIA AI Enterprise, le système d’exploitation de l’AI Factory, qui fournit des microservices NIM pour une inférence optimisée à faible latence et NeMo pour la création et l’ajustement de modèles personnalisés. Le NVIDIA AI Blueprint pour la détection des fraudes financières s’appuie sur des réseaux de neurones graphiques et sur l’exemple pour développeurs Build Your Own Transaction Foundation Model. Ces blueprints sont disponibles auprès de NVIDIA et offrent aux organisations un point de départ concret pour créer des applications d’IA sur des données financières.
Dell Technologies fournit l’infrastructure d’entreprise qui rassemble les éléments de la solution. Les serveurs Dell PowerEdge configurés avec des GPU NVIDIA Blackwell offrent la densité de calcul requise par les charges de travail d’IA exigeantes, tout en maintenant ces capacités de calcul dans le même environnement physique que les données sensibles sur lesquelles elles opèrent. Ensemble, cette solution peut offrir un coût total de possession nettement inférieur à celui d’une inférence équivalente dans le Cloud public, avec des coûts prévisibles qui évoluent à mesure que l’utilisation augmente, plutôt que de pénaliser cette hausse.
Deux cas d’usage en action : détection des fraudes et risque de crédit
Le secteur des services financiers illustre bien l'intérêt de cette architecture. Dans le cadre de la détection des fraudes en temps réel, Cloudera recueille les transactions ainsi que l'historique des interactions avec les clients, les métadonnées des appareils et les signaux comportementaux. Les modèles de fondation appliqués aux transactions, une IA basée sur les transformers et entraînée sur des milliards d’événements financiers, interprètent le comportement en contexte, où le moment, l’appareil, la localisation et l’activité antérieure lui donnent tout son sens. Par exemple, un paiement effectué à minuit prend un sens bien différent lorsqu’il s’agit du quatrième en dix minutes, sur un appareil inconnu, dans une ville où le client n’a encore jamais réalisé de transaction. Les modèles de Machine learning accélérés par NVIDIA, tels que Nemotron ou des modèles de fondation open source, évaluent chaque transaction dans le respect de l’enveloppe de latence requise par les réseaux de paiement instantané. Lorsqu’une transaction est signalée, un flux de travail agentique sur Cloudera AI récupère le contexte pertinent, et un modèle de langage génère un dossier contenant une explication en langage naturel des facteurs de risque. L’enquêteur ne reçoit plus un score et une charge de travail. Il reçoit une note d’enquête préliminaire et une décision plus rapide, mieux étayée.
L’évaluation du risque de crédit témoigne de la même évolution. Les scores des bureaux de crédit et l’historique structuré des paiements ont toujours été limités. Les informations non structurées susceptibles d’enrichir une décision de crédit, notamment les états financiers, les analyses de marché et la couverture médiatique, ont historiquement demandé trop de travail pour être intégrées à grande échelle. La plateforme combinée unifie ces sources au sein d’un Lakehouse gouverné qui utilise des simulations de Monte-Carlo accélérées par NVIDIA et la modélisation des risques, des charges de travail que la plateforme complète de NVIDIA exécute à une fraction du coût de l’infrastructure traditionnelle, utilise l’accélération NVIDIA pour exécuter des simulations sophistiquées qui auraient auparavant prolongé les délais de décision, et produit des notes préliminaires de crédit que les agents de crédit peaufinent plutôt que de rédiger de zéro.
La même logique s’applique au règlement des sinistres en assurance, à l’aide à la décision clinique dans le secteur de la santé, aux risques liés à la chaîne d’approvisionnement dans l’industrie manufacturière et aux opérations de renseignement dans le secteur public. Le cas d’utilisation varie selon le secteur. L’architecture, elle, ne le fait pas.
De l’analyse au résultat
Les organisations adoptant cette approche constatent un ensemble cohérent de résultats :
Des décisions plus rapides sur les flux de travail les plus importants, grâce à une inférence de moins de 50 millisecondes pour la notation en temps réel et à des cycles considérablement raccourcis pour les charges de travail analytiques
Des décisions mieux expliquées, étayées par la traçabilité des données, le contexte et les métadonnées métier, qui répondent aux exigences des examens internes et du contrôle réglementaire
Coût total de possession inférieur par rapport à l’inférence dans le Cloud public, avec des coûts prévisibles à mesure que l’utilisation augmente
Réduction des risques grâce à l’alignement architectural sur les exigences de souveraineté des données, de conformité et de gouvernance
Ces avantages s'accumulent. La même architecture qui fournit aujourd'hui une IA opérationnelle devient le socle de la prochaine génération d'agents, du prochain ensemble de cas d'usage et de la prochaine phase d'automatisation, sans qu'il soit nécessaire de reconstruire la couche de données et de gouvernance sous-jacente.
La voie des services financiers vers une IA opérationnelle
La prochaine phase de l’IA d’entreprise sera moins définie par les capacités des modèles que par la discipline opérationnelle. Les institutions qui réussiront seront celles qui passeront d'une approche centrée sur les données à une approche centrée sur l'intelligence, en développant leur propre IA à partir de leurs propres données, en la déployant dans des environnements sécurisés et souverains, et en la régissant selon les critères d'auditabilité exigés par les régulateurs et les comités de gestion des risques. Cloudera AI, accélérée par NVIDIA et déployée sur l’infrastructure de Dell Technologies, offre aux entreprises une voie concrète vers cette destination, en faisant passer la discussion de ce que l’IA peut faire à ce qu’elle fait chaque jour, dans les systèmes qui comptent le plus.
Pour en savoir plus, téléchargez le document suivant : document Omdia Showcase sur la détection des fraudes et l’évaluation du risque de crédit avec Cloudera AI, accélérée par NVIDIA sur l’infrastructure de Dell Technologies et le webinaire à la demande de BrightTALK.