La Banque Scotia ouvre la voie avec l'analyse avancée et l'IA

Ceci est une série de blogs en cinq parties d’une entrevue que j’ai eue récemment avec Grace Lee, chef des données et de l’analyse et le Dr Yannick Lallement, vice-président, AI & ML Solutions à la Banque Scotia.

La Banque Scotia est une multinationale canadienne de services bancaires et financiers dont le siège social est à Toronto, en Ontario. L’une des cinq grandes banques du Canada, c’est la troisième plus grande banque canadienne en termes de dépôts et de capitalisation boursière. Avec plus de 90 000 employés dans le monde et des actifs d’environ 1,3 billion de dollars, la Banque Scotia a investi massivement dans l’intelligence artificielle, l’analytique et les données et aligné une fonction intégrée qui est bien soutenue par tous les secteurs d’activité. Bien que leur parcours ait eu un impact en zigzag tout au long de son parcours, l’organisation est désormais bien implantée pour apporter une valeur et un impact constants à l’entreprise. Nous pouvons tous apprendre beaucoup de ces mots de sagesse sur ce qu’il faut pour faire progresser l’IA avec succès dans une grande entreprise.

Cette série de blogs en cinq parties répond à ces cinq questions :

Blog One : Comment la fonction d’analyse avancée est-elle structurée et quels ont été certains des défis opérationnels les plus importants de votre parcours ?

Blog 2 : Que faut-il pour mettre en place un centre de compétences AI/ML Solutioning ?

Blog 3 : Comment certains des défis opérationnels tels que la littératie numérique ont-ils un impact sur votre parcours ?

Blog Quatre : Quelles sont certaines des leçons opérationnelles apprises ?

Blog cinq : Quel avenir pour la fonction d’analyse avancée et d’intelligence artificielle de la Banque Scotia ?

Comment votre organisation est-elle structurée en termes d’analyse, de données et d’IA ?

« Si vous avez suivi notre histoire récente, vous sauriez que nous avons eu beaucoup de soubresauts. Nous avons eu quelques tentatives avortées pour apporter des analyses et des données à la Banque de manière significative. Et tout au long de ce parcours, nous avons appris de nos erreurs pour nous permettre de passer d’un cloisonnement des professionnels de l’analyse, des données et de l’IA à un centre d’excellence unifié où nous avons intégré des équipes dans les différents secteurs d’activité et fonctions. Auparavant, nous avions des données dans une fonction principalement de gouvernance dans notre fonction de gestion des risques où elles étaient principalement axées sur la qualité des données mais ne faisaient pas beaucoup d’activation ou de livraison de données.

Nous comptons actuellement plus de 500 professionnels de l’analyse, des données et de l’IA, et environ la moitié sont qualifiés en IA. Nous avons une équipe assez diversifiée en termes de compétences, allant des analystes métier, des concepteurs centrés sur l’utilisateur, des scientifiques des données, des ingénieurs des données, des spécialistes du NLP, des ingénieurs ModelOps, ainsi que des ressources compétentes en matière d’éthique des données et de l’IA. Nos collaborateurs sont principalement en Amérique du Nord (75%) et le solde de nos talents se situe dans différentes régions du monde, au Mexique, en Amérique du Sud (Pérou, Chili, Colombie), dans les Caraïbes, etc.

Nous sommes fiers que notre équipe soit composée de personnes capables de garantir que nos solutions de modélisation d’IA et de ML sont conçues et déployées efficacement du début à la consommation » (Verbatim : Grace Lee).

Quelles ont été certaines des leçons les plus importantes tirées de votre parcours de restructuration organisationnelle ?

« Le simple fait d’avoir l’IA, l’analyse et les données comme capacités ne signifie pas que nous créons de la valeur, et si nous ne créons pas de valeur, nous n’avons pas de place au sein de la Banque. Donc, l’une des choses que nous avons dit que nous devons faire différemment est que, plutôt que de mettre la fonction dans la technologie, dans les opérations ou dans le marketing où ces équipes vivent souvent, nous aurons des rapports de données et d’analyse directement aux secteurs d’activité. Nous devions nous assurer que la valeur provenait des utilisateurs professionnels utilisant les solutions et générant une valeur tangible » (Verbatim : Grace Lee).

Quelles ont été certaines des leçons techniques apprises ?

Nous avons appris qu’en associant étroitement les données et les analyses, en les alignant sur la technologie, et en ayant des priorités et des objectifs communs définis par l’entreprise, il s’agit moins de la sophistication du modèle que de la pertinence du résultat.

Nous avons appris que nous devons travailler en étroite collaboration dans cet écosystème que nous avons construit. Cela nous permet d’activer le cercle vertueux entre les données, l’analyse et la technologie, car la technologie est nécessaire pour créer des données ; les données sont nécessaires pour faire des modèles; et les modèles doivent être réintégrés dans la technologie afin de se présenter devant un client et un employé en étant intégrés dans le processus d’exploitation. Si nous n’assurons pas l’intégration des processus, nous ne travaillons pas en harmonie.

Par exemple, si nous construisons un modèle d’IA où les pipelines de données sont construits de manière ponctuelle et non durable, lorsque quelque chose change dans la technologie, les modèles cesseront de fonctionner correctement et de soutenir l’entreprise – ce scénario est contraire à la façon dont nous pensons à Offrir de la valeur. Lorsque nous parlons de rapprocher les données et l’analytique, il ne s’agit pas seulement de gouvernance des données, mais de livraison des données. Notre concept d’un ensemble de données réutilisables faisant autorité qui sous-tend les modèles pour assurer la durabilité opérationnelle est pris en compte dès le départ et est au cœur de notre stratégie.

Cela nous permet de fournir une couche d’abstraction qui permet aux données de l’utilisateur final de rester cohérentes et persistantes. Ainsi, si quelque chose change dans les systèmes en amont, nous sommes toujours en mesure de fournir les mêmes données de haute qualité à tous nos modèles. Cela signifie que nos rapports et nos processus sont, d’une certaine manière, relativement isolés des changements technologiques. En d’autres termes, comme vous le savez dans l’IA, souvent 80 % du problème réside dans l’approvisionnement en données ; avec des données bien gérées et accessibles, nous nous attendons à ce qu’il soit plus proche de 20 %. » (Verbatim : Dr Yannick Lallement)

Remarque : Voir le blog 2 : Que faut-il pour mettre en place un centre de compétences AI/ML Solutioning ?