Impact commercial de l'IA générative : une approche stratégique

Nous avons rencontré Chris Patterson, chef, Plateformes et solutions d’IA d’entreprise à la Banque CIBC, pour discuter des défis et des occasions liés à Generative AI (GenAI).  

Q. Qu’est-ce que GenAI et en quoi diffère-t-elle de l’intelligence artificielle traditionnelle?  

GenAI représente une avancée à la fine pointe de l’intelligence artificielle, qui se distingue par sa capacité à créer du nouveau contenu à partir d’instructions d’entrée. Contrairement à l’intelligence artificielle traditionnelle, qui se concentre principalement sur la reconnaissance des configurations et l’analyse des données, GenAI utilise des techniques d’apprentissage automatique sophistiquées pour produire du texte, des images, des codes et même de la musique. Cette technologie pourrait révolutionner divers secteurs en automatisant les processus créatifs, en améliorant la productivité et en stimulant l’innovation. 

Par exemple, des outils comme les grands modèles linguistiques d’OpenAI peuvent rédiger des rapports, résumer de vastes quantités de contenu, extraire de l’information de matériaux non structurés et transformer des données non structurées en contenu structuré. Cela illustre l’immense polyvalence et le pouvoir de GenAI. Toutefois, cette technologie soulève aussi des préoccupations à l’égard de la protection des renseignements personnels, de la désinformation, de l’éthique et des obligations réglementaires.

Q. Quelle est l’approche de la Banque CIBC à l’égard de l’IA génératrice et en quoi diffère-t-elle des autres technologies émergentes? 

La Banque CIBC a une longue expérience en matière d’innovation! Nous possédons l’application de services bancaires mobiles la mieux cotée du Canada et nous avons des antécédents en matière d’adoption des technologies émergentes. Par exemple, la Banque CIBC a été la première grande banque canadienne à déployer des distributeurs de billets automatisés 24 heures sur 24, des services bancaires téléphoniques automatisés, des services bancaires mobiles et des dépôts électroniques mobiles. Nous considérons les progrès de GenAI comme une occasion de transformer notre façon de travailler et d’interagir avec nos clients. 

Nous utilisons déjà l’intelligence artificielle dans des fonctions clés à l’échelle de notre banque. Les modèles de risque, de fraude et de sécurité de l’information élaborés permettent de détecter les fraudes et permettent à notre équipe de prévenir les pertes pour nos clients. Ce qui rend ce moment unique, toutefois, c’est la progression soudaine et exponentielle de l’IA. Je me souviens très bien des efforts que mon professeur d’informatique avait déployés en 1999 pour créer une application capable d’analyser et de comprendre le langage naturel. Il estimait qu’il s’agissait d’un objectif inatteignable, et la création d’un robot conversationnel qui pourrait réussir le test de Turing semblait impossible. Pourtant, apparemment sorti de nulle part, ChatGPT est apparu et a tout changé. Nous avons maintenant des systèmes d’intelligence artificielle qui peuvent interpréter l’intention d’un énoncé et y répondre de façon très convaincante, ce qui met le test de Turing à portée de main. En moins d’un an, nous avons vu la création d’images détaillées et, peu après, de vidéos en mouvement. L’intelligence artificielle peut maintenant produire de la musique à un niveau avancé, et sa progression ne semble pas terminée. 

Alors oui, la vitesse à laquelle l’intelligence artificielle se manifeste est différente, mais notre approche est constante. Nous continuons d’explorer des façons de tirer parti de façon réfléchie et responsable de ces outils qui évoluent rapidement pour améliorer l’expérience bancaire de nos clients et accroître la productivité de nos équipes, comme nous l’avons toujours fait.

Q. Quels défis uniques avez-vous dû relever pour mettre en œuvre des solutions à l’aide de ces grands modèles linguistiques?  

La Banque CIBC aborde les technologies émergentes de façon réfléchie et en mettant l’accent sur le client, en veillant à ce que les risques et les exigences réglementaires soient traités avec soin. Notre parcours qui nous a permis de devenir le chef de file des services bancaires mobiles en témoigne. Nous avons été les premiers à mettre en marché et nous avons mis des années à concevoir, à mettre au point et à déployer méticuleusement la principale plateforme de services bancaires mobiles du Canada.  

GenAI a suscité l’intérêt du public d’une manière différente des services bancaires mobiles. Par conséquent, nos clients et nos équipes manifestent un désir généralisé de tirer parti de cette technologie pour simplifier les tâches quotidiennes. Le défi unique a été cet empressement et le fait que cette technologie est si nouvelle que nous avons besoin d’une compréhension plus claire et unifiée de la façon de mettre en œuvre et d’utiliser efficacement ces modèles.  

Étant donné le grand nombre d’équipes à l’échelle de la Banque et les nombreuses façons créatives d’utiliser cette technologie, nous avions besoin d’un point de vue unique sur la façon dont les gens exploraient GenAI – les outils qu’ils examinaient et la façon dont ils souhaitaient les utiliser. En même temps, nous devions nous assurer de collaborer là où il était logique de le faire pour rendre nos mises en œuvre plus efficaces. Pour gérer cette situation, nous avons créé un nouveau comité de surveillance de l’IA afin de centraliser et de superviser toutes les activités liées à l’IA, en veillant à ce que tous les groupes de contrôle du risque aient une visibilité des projets en cours, des ressources et des connaissances partagées, et nous assurer que nous sommes tous informés et que nous sommes sur la même longueur d’onde plutôt que de travailler en vase clos. 

Notre premier déploiement important de GenAI a été effectué dans nos Centres de contact. Nous avons créé un assistant virtuel du Centre de connaissances (en fait, le répertoire où sont conservés tous nos documents et politiques relatifs aux processus) pour répondre aux demandes de renseignements les plus courantes des clients, dans le but de réduire le temps et les efforts que les membres de notre équipe consacrent aux appels de soumission à un autre palier d’intervention. Au départ, cela semblait une application simple d’un système de récupération-augmentation-production (RAG). Toutefois, nous avons appris dès le départ que nos données ne répondaient pas toutes aux besoins des modèles que nous utilisions, en raison du formatage ou de divers facteurs, et qu’il s’agissait assurément d’un défi unique. Dans une entreprise où le temps de réponse et l’exactitude sont cruciaux, il a fallu ramener le contenu à un volume plus facile à gérer pour la diffusion du projet pilote. Un autre défi intéressant a été de trouver des gestionnaires de portefeuilles sous gestion qui ont eu de la difficulté à fournir des réponses précises avec une exactitude de 100 % au besoin. En raison de cette limitation technologique, nous avons dû réduire la portée de l’assistant virtuel afin d’exclure les cas d’utilisation comportant des instructions verbales strictes. 

Dans l’ensemble, l’expérience d’apprentissage a été incroyablement positive et a déjà éclairé nos approches à l’égard d’autres cas d’utilisation à l’échelle de la Banque. L’assistant virtuel affiche des résultats prometteurs qui s’améliorent continuellement, l’engagement de l’équipe envers le système est élevé et, surtout, cela améliore l’expérience bancaire de nos clients. 

Q. Pouvez-vous nous en dire plus sur les divers programmes pilotes que vous avez mis en œuvre? 

Outre notre projet pilote du Centre de connaissances, nous avons mis en œuvre plusieurs autres programmes pilotes générateurs d’IA à grande échelle : 

• GitHub Copilot pour les développeurs : GitHub Copilot est un outil conçu spécialement pour les équipes de développement de logiciels et a été l’un des premiers fournisseurs de systèmes à tirer parti des portefeuilles sous gestion. Nous avons lancé notre projet pilote initial en 2023 et nous en sommes toujours à la phase pilote, avec la plus récente version incluant une fonction de clavardage qui sert de programmeur de paires. Il a été bien accueilli et nous observons une augmentation tangible de la productivité parmi les promoteurs. Grâce à notre utilisation et à notre familiarité continues, nous prévoyons de nouvelles économies de temps en moyenne et prévoyons déployer ce logiciel à grande échelle dans un avenir rapproché. 
• Copilot de bureau pour les travailleurs du savoir : Nous avons également mené un projet pilote de Copilot de bureau et avons vu les gestionnaires de projet en particulier profiter des avantages les plus immédiats de l’utilisation de Teams Copilot, ce qui a amélioré leurs activités de prise de notes et d’après-rencontre. À l’instar de son homologue GitHub, nous avons déjà constaté des avantages tangibles sur le plan de la productivité globale grâce à ce logiciel, même si nous sommes encore en train d’examiner les types de tâches et de rôles qui conviennent le mieux pour maximiser ces outils, dans leur forme actuelle. 

CIBC-AI : nous mettons également en œuvre notre propre outil de productivité, qui fonctionne comme ChatGPT, mais avec d’autres caractéristiques. L’objectif était de créer un outil qui donne un accès direct à un modèle linguistique et qui offre plus d’aide de la Banque CIBC pour les tâches particulières. Les premiers commentaires ont été positifs. L’intelligence artificielle CIBC permet des cas d’utilisation plus avancés et, contrairement à un outil de tiers, nous pouvons suivre tous les points de données produits par les participants au projet pilote, ce qui permet une analyse plus approfondie de l’utilisation, des cas d’utilisation, des coûts et des mesures quantitatives. 

Bien que de nombreux systèmes soient toujours en phase pilote, nous prévoyons plusieurs déploiements importants à l’échelle de l’entreprise vers la fin de 2024 et en 2025. Ces projets pilotes sont essentiels pour nous aider à comprendre les avantages et les défis potentiels de l’intégration des outils d’intelligence artificielle dans nos flux de travail, tout en nous assurant de prendre des décisions éclairées en vue des mises en œuvre futures.

Q. Quels facteurs précis sont importants pour choisir entre des solutions de fournisseurs et des solutions sur mesure (sur mesure) pour les technologies d’IA? 

C’est une question intéressante, car nous avons examiné plusieurs facteurs clés qui influent sur ces décisions à l’échelle de notre banque.  

• Intégration aux flux de travail existants : la façon dont le logiciel s’intègre aux flux de travail existants des employés. Quelles sont les complexités à prendre en compte dans cette intégration? 
• Facilité d’utilisation et intuition : le logiciel est-il intuitif? Un outil puissant ne sera pas utile pour les gens s’ils ne savent pas comment l’utiliser. 
• Cas d’utilisation particuliers et savoir-faire des fournisseurs : des solutions de fournisseurs attrayantes ont été mises au point par des sociétés qui ont une connaissance approfondie d’un scénario d’utilisation ou d’une entreprise en particulier, utilisant l’intelligence artificielle pour améliorer leurs logiciels existants plutôt que de construire de nouveaux logiciels autour d’un DAP. La participation d’un expert en IA à ces évaluations est essentielle pour faire la distinction entre les solutions superficielles et les solutions vraiment utiles. 
• La gestion du risque est un élément clé à prendre en considération : nous devons nous assurer de protéger toutes nos parties prenantes lorsque nous déployons de nouvelles solutions d’intelligence artificielle.  Certains fournisseurs ont réfléchi à l’aspect gestion du risque de leur solution et peuvent prendre des engagements contractuels soutenus par des artefacts vérifiables. Beaucoup ne l’ont pas fait. La Banque CIBC s’efforce de s’assurer que toutes les IA sont gérées selon les mêmes normes, qu’elles soient élaborées à l’interne ou qu’elles proviennent d’une tierce partie.  
• Le coût est toujours un facteur : les solutions de fournisseurs s’accompagnent souvent de frais de licence et de frais d’abonnement continus, qui doivent être évalués en fonction des gains de productivité potentiels. D’un autre côté, les solutions sur mesure peuvent entraîner des coûts de développement initiaux importants, mais peuvent être personnalisées précisément en fonction des besoins de l’organisation, offrant potentiellement une meilleure valeur à long terme. De plus, le coût de l’entretien et de la mise à jour des solutions sur mesure devrait être pris en compte, de même que le besoin potentiel de spécialistes pour gérer ces systèmes.

Il y a tellement de facteurs à prendre en considération au cas par cas, alors que nous continuons d’évaluer et d’apprendre ces premiers jours de la génération de l’IA, mais cela vous donne une meilleure idée des principaux éléments que nous tentons d’équilibrer.