La Société Générale marque une nouvelle étape dans sa transformation numérique en intégrant l’intelligence artificielle générative à ses processus de recherche documentaire. Ce dispositif innovant, dénommé Laci, vise à améliorer l’accès à l’information pour l’ensemble des collaborateurs.
L’outil promet d’optimiser la gestion des données non structurées, répondant ainsi à un besoin croissant d’efficacité et de pertinence dans un environnement de travail où l’information est souvent éparpillée et difficile d’accès.
Un assistant personnalisé au service de la recherche documentaire
Laci, acronyme pour « l’assistant de contenus intelligents », constitue une avancée majeure dans la gestion de l’information au sein de la Société Générale. Capable d’analyser un corpus de plus de 10 000 documents, cet outil innovant exploite l’approche RAG (Retrieval Augmented Generation) pour identifier les passages pertinents et formuler des réponses synthétiques et contextualisées.
Laci offre un lien direct vers les documents sources et met en évidence les paragraphes clés, permettant aux utilisateurs de valider les réponses fournies. Cette fonctionnalité de retour d’expérience est essentielle pour assurer la pertinence et l’exactitude des informations, renforçant ainsi la confiance des collaborateurs dans cet outil.
Le projet Laci est né d’un constat : les processus de recherche documentaire dans le secteur bancaire sont souvent chronophages et peu efficaces. Les employés sont obligés de consacrer un temps considérable à la recherche d’informations spécifiques parmi un volume important de documents.
Un modèle exportable et évolutif
ImportantL’une des principales forces de Laci réside dans sa capacité d’adaptation aux besoins individualisés des collaborateurs. Grâce à un mécanisme d’apprentissage continu, l’outil est en mesure d’affiner ses réponses et de mieux comprendre les requêtes au fil du temps.
Par ailleurs, il garantit un haut degré de personnalisation, permettant aux utilisateurs de définir précisément leurs préférences en matière de sources et de formats de documents. Enfin, son intégration transparente aux outils de productivité existants facilite son adoption au sein des organisations.
La possibilité d’exporter le modèle de Laci vers d’autres métiers et filiales de la Société Générale représente un atout considérable pour l’institution.
Kent Aquereburu, directeur du laboratoire data et IA de Société Générale Assurances, souligne que
Le cadre de la RAG peut être ajusté en fonction des spécificités de chaque domaine. Par exemple, Laci a déjà été personnalisé pour traiter des questions légales et fiscales, démontrant ainsi sa polyvalence.
Kent Aquereburu
De nombreux bénéfices escomptés
Le déploiement de cet assistant intelligent induit des gains d’efficacité opérationnelle notables au sein de la Société Générale. En permettant à chaque collaborateur d’économiser ne serait-ce que quelques minutes par jour, cet outil génère un impact significatif sur la productivité globale.
En outre, comme le souligne Martina Machet, responsable de l’analyse de données et des produits,
Il facilite l’intégration des nouveaux collaborateurs en leur offrant un accès rapide et personnalisé aux ressources de formation, ce qui se répercute positivement sur l’expérience client.
Martina Machet
L’implémentation de Laci est également l’occasion pour la Société Générale de repenser à l’expérience utilisateur dans son ensemble. En intégrant la GenAI, la banque entend transformer non seulement l’utilisation de ressources documentaires, mais aussi la manière dont les employés et experts IT interagissent avec celles-ci.
En favorisant un environnement de travail plus agile et réactif, elle se positionne comme un leader dans l’adoption de technologies avancées.
Les défis liés à la sélection et à l’entraînement des LLM
Le choix d’un modèle de langage de grande taille (LLM) représente une étape décisive dans le développement d’un outil tel que Laci, tant ses performances sont étroitement liées aux caractéristiques du modèle utilisé.
Face à l’évolution rapide du marché des LLM, la sélection du modèle doit tenir compte d’une série de critères précis, tels que la qualité des données d’entraînement, les capacités de génération de texte et les coûts d’utilisation.
Par ailleurs, la gestion des biais algorithmiques constitue un enjeu majeur. Formés sur de vastes corpus de données, les LLM peuvent reproduire des biais présents dans ces données, affectant la précision des réponses et la perception des utilisateurs. Ce phénomène peut poser des risques pour la qualité et la crédibilité des résultats fournis.
Les enjeux de l’IA générative dans le secteur bancaire
L’intégration de l’IA générative dans le secteur bancaire ouvre des perspectives prometteuses en termes d’amélioration de l’efficacité opérationnelle, de personnalisation des services et de renforcement de la relation client. Cependant, cette technologie soulève également de nombreux défis que les institutions financières doivent aborder avec soin.
- Les hallucinations et la fiabilité des réponses : les modèles d’IA générative peuvent, à certaines occasions, générer des réponses erronées, voire inventer des informations inexistantes dans leurs données d’entraînement. Ce phénomène constitue un risque considérable dans un secteur aussi strictement réglementé que celui de la finance, où l’exactitude des informations est une exigence absolue.
- La gouvernance des données : l’entraînement des modèles d’IA générative requiert l’utilisation de vastes volumes de données. La collecte, le stockage et l’exploitation de ces informations doivent impérativement se conformer aux réglementations en vigueur en matière de protection des données personnelles et de respect de la confidentialité.
- L’éthique : en cas d’erreur commise par un système d’IA générative, qui est à blâmer ? Le développeur du modèle, l’entreprise qui l’utilise, ou l’IA elle-même ?
Banque et assurance : vers une généralisation de l’IA générative
L’intelligence artificielle générative tend à s’imposer progressivement comme un levier de transformation dans les secteurs de la banque et de l’assurance. Au-delà de l’automatisation des tâches répétitives, cette technologie ouvre de nouvelles perspectives en matière d’amélioration de l’expérience client, de développement de produits et d’aide à la prise de décision.
En permettant des interactions client plus personnalisées et naturelles, l’IA générative offre une meilleure compréhension des requêtes complexes grâce à des chatbots conversationnels sophistiqués. Ces outils sont capables de fournir des réponses pertinentes, adaptées aux besoins spécifiques de chaque client.
De plus, cette technologie favorise l’innovation dans la création de produits et de services. Par exemple, elle peut être utilisée pour générer des scénarios de risque, permettant aux assureurs de proposer des offres sur mesure.
Dans le secteur bancaire, elle facilite la conception de nouveaux produits d’investissement en analysant les tendances du marché et les préférences des clients.
