Bonjour Charles-Albert Lehalle, vous êtes senior research advisor à Capital Fund Management, pouvez-vous nous parler de l’impact de l’intelligence Artificielle sur les marchés financiers, qui est votre domaine de compétences ?

Bonjour. J’ai toujours un peu de mal à parler d'”Intelligence Artificielle” car c’est un terme vague qui prête à beaucoup de fantasmes. Néanmoins les progrès récents en apprentissage statistique (“machine learning” en anglais) ont fournis des outils qui “apprennent”. Cela comporte des avantages et des inconvénients : l’avantage principal est qu’il n’est plus nécessaire pour des ingénieurs d’avoir bien compris un phénomène avant de le modéliser.

Mais cela veut dire aussi que l’on n’est jamais vraiment certain de ce qu’on a véritablement modélisé. La qualité des données qui ont été utilisées pour “calibrer” l’algorithme d’apprentissage est cruciale. Cela veut aussi dire qu’il est très difficile pour ce genre de modèles d’apporter des réponses à des situations qui ne lui ont jamais été présentées, c’est-à-dire qui n’étaient pas dans la base de données qui lui a servi à apprendre.

Lorsqu’il s’agit de faire face à l’inattendu, la modélisation et le recours à des experts humains restent les seules réponses. Cela ne pose pas de véritable difficultés pour des modèles chimiques ou physiques ou pour la reconnaissances de texte par exemples, car les lois de la nature ne changent pas et on ne va pas demander à un logiciel de se mettre à “comprendre” une nouvelle langue.

Mais cela pose des difficultés particulières en science sociale ou en économie, parce que les comportement des gens des et groupes sociaux sont en perpétuelle évolution.

Intelligence Artificielle
L’intelligence Artificielle chez snaike

Quelle est la meilleure manière de contourner ces difficultés particulières ?

Il se trouve que les marchés financiers font partie de ces cas compliqués, utiliser des algorithmes apprenants n’est donc pas chose facile. Et il faut ajouter que vu les impacts très négatifs des crises financières sur le bien être de la quasi totalité d’entre nous, bien au delà de l’industrie financière, ce domaine est à juste titre très régulé. Il ne s’agit donc pas d’essayer d’utiliser ce genre de méthodes juste pour “voir ce que ça donne”, sans filet.

Je fait partie de l’Institut Louis Bachelier, qui vient de lancer une initiative de recherche (“Finance and Insurance Reloaded“) visant à bien comprendre l’impact de ces technologies sur les secteurs de la finance et de l’assurance, car s’est assurément une gageure, et nous avons besoin que beaucoup de chercheurs se penchent sur les questions aujourd’hui sans réponse, en ayant bien à l’esprit les enjeux spécifiques à ces secteurs.

Pour être très concret, disons qu’il y a des applications de l’apprentissage sur les marchés financiers dans trois directions principales : d’abord personnaliser l’expérience client, comme dans toutes les industries ; puis obtenir une meilleure estimation de l’état de l’économie réelle.

Lorsque vous utilisez par exemple des images satellites pour estimer l’état des récoltes ou les ventes de billets de trains pour vous faire une idée de la santé des compagnies ferroviaires, vous utilisez des algorithmes apprenants “standard” bien connus des ingénieurs de l’agence spatial européenne ou vous vous appuyez sur des mécanismes de comptabilité simples et bien compris.

Il y a un autre domaine d’application, plus technique, qui consiste à utiliser les méthodes développées pour l’apprentissage afin d’améliorer les systèmes de contrôle de risque des banques et des assurances ; il ne s’agit pas alors d’apprendre quoi que ce soit mais de mieux optimiser.

Que pensez-vous de l’émergence des crypto-monnaies et des blockchains ? Est-ce une technologie d’avenir pour vous, que cela soit dans le domaine bancaire ou autre ? 

La blockchain est un très bel outil qui permet essentiellement de garder un identifiant unique tout au long de la vie d’un contrat. On imagine aisément l’intérêt pour les banques et les assurances. Il a ses limitations, qui sont essentiellement une forte consommation d’énergie (on estime que l’électricité consommée par les utilisateurs des bitcoins est du même ordre de grandeur que celle consommée par un pays comme la République Tchèque) et la lenteur.

Différentes initiatives travaillent à améliorer ces aspects pour obtenir un nouvelle version de l’algorithme de la blockchain qui soit plus propre et plus rapide. Je ne doute pas qu’il réussiront, l’aspect délicat est qu’il s’agit d’établir une norme et que cela implique toujours des jeux de pouvoirs entre les pays et les grandes entreprises, cela peut être long et même ne jamais aboutir. Mais cela sera déjà un progrès s’il on réduit le nombre de “référentiels de contrats” et si ils sont tous électronisés, même si cela serait mieux s’il n’y en avait plus qu’un.

Schéma d'une Blockchain
Schéma d’une Blockchain

On peut prédire la qualité des tradings mais est-il possible de prédire la qualité de toutes données dans une blockchain ? Quels sont, selon vous, les principes clés pour développer un algorithme qui ferait ça ?

Je ne suis pas un expert technique de ce domaine, mais en tant que mathématicien il me semble qu’il n’y a plusieurs solutions : la redondance est une vieille réponse souvent utilisée en traitement du signal, mais comme cela implique plus de lenteur et de consommation électrique, c’est sans doute une “fausse bonne idée”.

Une autre solution et de disperser un peu d’information le long de votre blockchain, un peu comme si pour éviter d’avoir à chercher vos lunettes, vous en dispersez un peu partout à la maison. Cela peut sembler naïf mais vous verrez qu’il existe toute une théorie qui s’appuie sur ce principe en allant par exemple sur le Site du Collège de France où Bernard Chazelle, qui est un expert notamment dans ce domaine, a enseigné en 2012 et 2013. Bien entendu on peut aussi penser à des algorithmes apprenant, qui peuvent parfois accélérer des méthodes de vérifications au prix d’une petite marge d’erreur.

Pour entrer un peu plus dans la technique, le calcul stochastique est l’étude des phénomènes aléatoires dépendant du temps. Comment ces méthodes qui sont par nature évolutives peuvent être utilisées en médecine à votre avis ?

Les processus stochastiques permettent en effet de modéliser des dynamiques qui comportent une part d’aléa. Les marchés financiers sont évidemment le domaine d’application auquel on pense habituellement en premier, mais vous avez raison la médecine est aussi un “bon client” de ces méthodes. En premier lieu l’imagerie médicale, qui a recours depuis longtemps à ce genre de modélisation. Lorsqu’on regarde les résultats d’un scanner, il y a des des phénomènes qui “bruitent” l’image en générant de petites variations dont on ne veut pas tenir compte. Plus récemment, il y a des projets très enthousiasmants de suivi de la démarche des patients dans les hôpitaux grâce à des revêtements de sol truffés de capteurs.

L’idée est d’évaluer la qualité de la convalescence après une opération à la hanche par exemple. Là aussi ce sont les éléments principaux de la démarche qu’il faut considérer, car on n’a pas accès à toutes les informations qui permettrait de comprendre ce que les patients sont exactement en train de faire.

Mais ce ne sont que quelques exemples ; je suis sûr qu’il y a énormément de choses nouvelles à faire en médecine en combinant astucieusement la modélisation, l’apprentissage statistique et la théorie des processus stochastiques.

Merci beaucoup d’avoir prit le temps de répondre à nos questions...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *