Revolut crée son propre modèle de fondation IA

Au lieu de s'appuyer, comme tout le monde (ou presque), sur des produits génériques, fournis par les leaders du marché, pour ses applications d'intelligence artificielle, Revolut a choisi de développer son propre modèle de fondation, avec un double objectif de meilleure contextualisation des références et de mutualisation de son socle.

Avec le temps et ses vagues technologiques successives, les institutions financières font actuellement vivre en parallèle deux grandes catégories de projets capitalisant sur le traitement avancé de l'information : d'un côté, la première génération de science des données (et d'apprentissage automatique), en général entièrement mise au point en interne, et, de l'autre, le recours aux désormais incontournables solutions d'IA générative fournies par des tiers, ensuite déclinées sur des cas d'usage spécifiques.

Pour les équipes de Revolut, les deux options présentaient des défauts gênants. L'approche historique repose habituellement sur une processus autonome, dans laquelle chaque application extrait les données requises, réalise sa phase d'entraînement, puis gère son cycle de vie. Avec les outils modernes, le problème est d'un autre ordre : leur pré-entraînement absorbe un gisement gigantesque d'information… mais celui-ci étant générique, il perd de son efficacité lorsqu'il doit opérer sur un domaine bancaire pointu.

Leur réponse consiste à développer un modèle de fondation dédié, alimenté uniquement par le patrimoine de la jeune pousse, à savoir les enregistrements de quelques 26 millions de clients dans 111 pays et les 24 milliards d'événements qu'ils ont générés au fil de 28 mois d'historique de leur relation (correspondant à plus de 200 milliards de « tokens »). Une de ses particularités les plus importantes, par rapport à des équivalents plus standards, réside dans l'exploitation de la temporalité des transactions.

L'utilisation de ce socle, baptisé PRAGMA, est maintenant généralisée à tous les projets concernés par l'analyse de données. Chacun dérive sa version, actualisée régulièrement, pour l'entraînement sur un problème précis lors d'une expérimentation, pour un ajustement fin des paramètres… Les configurations personnalisées, plus ou moins complètes, permettent alors aussi bien de concevoir des modèles d'inférence à faible temps de réponse que des solutions prédictives visant une fiabilité maximale.

D'ores et déjà mis en œuvre par les équipes en charge des risques, de la lutte contre la fraude, du marketing, des produits… PRAGMA affiche des résultats significatifs par rapport à la démarche traditionnelle antérieure, non seulement en termes de vélocité de développement (3 à 5 fois supérieure, grâce au socle commun) mais également de performance et de qualité (en particulier sur la détection de fraude). À l'avenir, outre des cas d'usage additionnels (par exemple l'évaluation de la valeur des clients à long terme ou une interface applicative qui s'adapte au comportement de l'utilisateur), Revolut veut aussi enrichir sa plate-forme et renforcer ainsi son avantage concurrentiel.