Comment est né le projet autour de la technologie Watson au sein du Crédit Mutuel et du CIC ?
Sébastien Bertrand (S.B.) : En mai 2015, IBM – avec qui nous collaborons depuis plus de 50 ans – nous a proposé de travailler en partenariat sur cette technologie tout juste sortie de leurs laboratoires. Le projet est ensuite allé très vite : dès le dernier trimestre 2015, nous avons mis en place une équipe multidisciplinaire, issue des réseaux bancaires, de l’informatique, des métiers internes, et renforcée par des collaborateurs d’IBM. La première étape a été de bien comprendre la technologie, ses performances et limites actuelles et d’identifier des cas d’utilisation potentiels. Trois d’entre eux ont été retenus. Nous avons développé des pilotes en 2016 et nous les déployons en 2017.
En quoi l’intelligence artificielle (IA) est-elle potentiellement intéressante pour une banque ?
Laurent Prud’hon (L.P.) : Nous n’utilisons pas le terme d’IA. Il est générateur d’une inquiétude qui ne correspond pas à la réalité et, simultanément, d’attentes exagérées. Il ne s’agit pas d’intelligence au sens courant du terme. Ces solutions reposent en réalité sur l’apprentissage par l’exemple, permettant dans une certaine mesure de reproduire un comportement de manière mécanique. C’est un grand progrès, car les informaticiens ne sont pas capables d’écrire un programme aboutissant à ce résultat. Mais la machine ne « comprend » pas, elle n’a ni raisonnement ni créativité : elle reproduit un jeu d’exemples prédéfinis. Si un cas se démarque trop de ce jeu d’exemples, elle ne pourra pas le traiter. Cela n’a donc que l’apparence de l’intelligence. Il s’agit d’apprentissage machine couplé à des techniques de traitement du langage naturel.
Quels sont les premiers cas d’usages retenus ?
S.B. : L’objectif est de mieux assister les conseillers de clientèle de nos réseaux dans leur quotidien, de mettre la technologie au service du développement de la relation humaine. Le conseiller est l’acteur central de cette innovation. Elle n’est pas mise en face du client directement. Cela fait écho au choix des quinze fédérations du Crédit Mutuel et des banques CIC de maintenir un réseau physique et de placer le conseil au cœur de la relation avec le client, y compris à distance. Pour permettre au chargé de clientèle d’être plus réactif dans ce mode omni-canal et de libérer du temps pour sa mission de conseil, il faut l’outiller. Le premier cas d’usage a donc été la création d’un analyseur d’e-mails. En effet, les conseillers de nos réseaux en France reçoivent environ 300 000 e-mails par jour de la part de leurs clients. Ils doivent y répondre et traiter les tâches associées.
En quoi consiste cet outil ?
S.B. : L’analyseur d’e-mails est intégré dans Outlook. Il enrichit l’e-mail entrant du client en identifiant des « intentions » parmi une liste de demandes les plus fréquentes : prendre un rendez-vous, effectuer un virement, alerter sur une fraude… Il permet de détecter l’éventuel caractère d’urgence de l’e-mail, soit par la nature urgente par essence de l’intention, soit à travers le vocabulaire utilisé par le client. C’est donc un outil d’aide à la priorisation de tâches. La barre d’analyse ajoutée à Outlook prévoit également un lien direct vers l’applicatif métier correspondant à l’intention détectée, ce qui permet d’accélérer le traitement de la tâche liée à la demande. Par exemple, pour une demande de virement, si les informations sont explicites dans l’e-mail, l’outil va permettre d’ouvrir le bon applicatif et prérenseigner certains paramètres ; le chargé de clientèle reste le décisionnaire quant à la validation de l’opération. L’outil peut aussi lui proposer une réponse personnalisée, extraite de notre bibliothèque de réponses. Auparavant, il devait ouvrir un applicatif dédié et chercher le bon modèle parmi des centaines. Avec l’analyseur d’e-mails, c’est automatisé, jusqu’au nom du client qui peut être prérempli grâce au lien fait entre l’adresse mail de l’expéditeur et la base clientèle. Il s’agit donc d’aider le conseiller à traiter les opérations courantes à faible valeur ajoutée.
Et d’éviter des erreurs ?
S.B. : Oui, sur le montant des virements par exemple. C’est le principe des « 4 yeux ».
L.P. : La vérification du conseiller reste nécessaire : la machine n’a pas connaissance du contexte de l’e-mail et des informations implicites partagées en amont de l’échange. De même, elle ne saisit pas toutes les ambiguïtés et subtilités du langage, l’ironie ou la menace par exemple. Nous avons mesuré que dans un cas sur cinq, un même message étudié en parallèle par deux experts métier était interprété de manière différente. Si l’humain ne parvient pas à une compréhension parfaite de l’e-mail, la technologie ne le pourra pas non plus : cela met une borne supérieure à ce qu’il est possible de faire. Sur un domaine aussi ouvert et complexe que celui des demandes des clients des banques, mettre au point une solution entièrement autonome ne semble pas envisageable.
Outre l’analyseur d’e-mails, vous développez des assistants virtuels pour les chargés de clientèle. En quoi cela consiste-t-il ?
S.B. : Pour leurs recherches, les conseillers puisent dans un corpus documentaire interne de 52 000 documents (conditions générales, fiches pratiques, fiches commerciales, grilles de taux…). Ils utilisent jusqu’ici un moteur de recherche par mots-clés. S’ils n’ont pas les bons mots-clés en tête – par exemple « conducteur occasionnel » pour une question telle que « mon fils peut-il conduire ma voiture ? » –, la recherche prendra du temps. Nous avons donc développé un assistant pour optimiser cette recherche, tout d’abord sur le champ de l’assurance IARD. L’outil s’adapte au vocabulaire généraliste du conseiller et entame un dialogue avec lui s’il a besoin de paramètres complémentaires pour préciser la question et renvoyer une réponse unique. Si la question est plus complexe, le conseiller a la possibilité de poursuivre la conversation avec une de nos plates-formes support. Un deuxième assistant virtuel a par ailleurs été développé sur les problématiques de l’épargne des particuliers.
Comment s’est déroulé l’entraînement de Watson ?
S.B. : Pour l’analyseur d’e-mail, les experts métiers ont commencé par annoter un échantillon de 10 000 e-mails entrants anonymisés pour établir une intention et un degré d’urgence de sorte à mettre en exergue des récurrences. Pour constituer le jeu d’entraînement de la machine, nous nous sommes focalisés sur les plus fréquentes.
L.P. : Sur la base des e-mails analysés, un dictionnaire d’un millier de concepts et environ 4 000 motifs de langage ont été identifiés par les experts métier, chacun rattaché à une intention. Cette annotation est un investissement qu’il faut pouvoir rentabiliser. Avec 300 000 e-mails reçus chaque jour par les conseillers, c’est le cas, mais ce n’est pas adapté à tous les contextes.
Quel est le profil le plus adapté pour ce travail d’annotation ?
L.P. : Le challenge n’est pas tant de trouver des compétences techniques – elles s’acquièrent – mais d’identifier des personnes disposant à la fois d’une connaissance approfondie du domaine métier et d’un esprit analytique et structuré. L’aspect méthodologique est essentiel : si l’on oublie une étape dans un processus d’annotation portant sur 10 000 e-mails, on prend vite beaucoup de retard. En outre, le corpus documentaire qui constitue la base des réponses évolue tous les jours, avec des intentions, des questions ou des produits nouveaux. Cela nécessite une organisation transverse avec différents experts qu’il faut coordonner pour conserver la cohérence de l’outil. Nous sommes en train de concevoir cet outillage méthodologique. C’est le véritable enjeu de ces premiers projets, pour que les suivants soient menés plus efficacement.
La machine apprend-elle en permanence de manière automatique ?
S.B. : Les conseillers ont la possibilité de remonter leurs retours, positifs ou négatifs, sur les réponses apportées par l’outil. Les experts métiers peuvent ensuite analyser ces retours pour améliorer l’outil. Ce n’est donc pas automatique.
L.P. : L’absence d’auto-apprentissage n’est pas une limitation technique, mais plutôt une décision de notre part. Prenons l’exemple de la notion d’urgence : chacun des 20 000 conseillers en aura une conception personnelle. Si on laisse le système apprendre par lui-même directement sur la base des retours des utilisateurs, il ne parviendra pas à converger vers une réponse unique. Il faut l’intervention d’experts humains pour définir de manière très précise la notion d’urgence selon les cas. Il y a eu des expériences d’auto-apprentissage malheureuses par le passé, comme en 2016 celle de Tay, le bot de Microsoft que les internautes ont entraîné à répondre de manière inconvenante.
Ce travail de priorisation des tâches n’existait-il pas déjà au sein des métiers ?
L.P. : Le projet autour de l’analyseur d’e-mails nous a conduits à réaliser un travail de fond sur la compréhension des demandes de clients jusque dans l’extrême détail. C’est un travail bénéfique qui va en effet au-delà de la question de l’IA et du machine learning. Il en va de même avec le projet d’assistant virtuel : en entreprise, les documents supports sont souvent rédigés par des experts qui ne connaissent pas la manière dont les utilisateurs finaux structurent leurs questions. Sur le projet d’assistant virtuel sur l’épargne, nous avons par exemple été amenés à dépoussiérer 400 documents existants. C’est un investissement en temps et en ressources qui améliore la qualité du moteur de recherche en soi, même sans utiliser l’assistant virtuel. Néanmoins, c’est la capacité de démultiplication offerte par la machine auprès des 20 000 chargés de clientèle qui rend cet investissement intéressant.
Dans quelle proportion la machine répond-elle correctement aux demandes ?
S.B. : Nous avons mesuré que l’assistant virtuel sur l’assurance IARD apportait une réponse satisfaisante dans les deux tiers des cas. C’est une performance supérieure aux moteurs de recherche par mots-clés et qui peut encore être améliorée, via l’analyse des retours utilisateurs. Mais l’outil ne pourra jamais répondre à 100 % des questions simples.
L.P. : Dans le contexte d’un assistant virtuel détectant plus de 100 intentions subtilement différentes, l’apprentissage machine nécessite de collecter un grand nombre de questions d’entraînement auprès des utilisateurs : il faut plusieurs mois de fonctionnement en production avant de couvrir toutes les variantes possibles dans la manière de formuler une demande. Prenons l’exemple des conditions d’âge pour l’éligibilité à un contrat : nous nous sommes aperçus que la machine ne savait pas répondre à la question « à quel âge puis-je souscrire tel contrat ? », mais y parvenait pour « puis-je souscrire un contrat si je suis mineur ? ». Dans le jeu de questions utilisé pour l’entraînement, la notion d’âge était présente, mais pas le mot lui-même. Cela nous semble une évidence, mais sans exemple, la machine ne peut pas le comprendre.
Ces outils d’IA pourraient-ils à terme être directement mis à la disposition des clients ?
L.P. : Notre priorité est d’assister les conseillers de nos réseaux. Par ailleurs, dans le domaine de la banque et de l’assurance, il serait difficile de fournir aux clients des solutions de conseil et de vente qui donnent des réponses suffisamment fiables avec les technologies actuelles : s’il n’est pas trop gênant de fournir une réponse inadaptée à quelqu’un qui recherche une séance de cinéma correspondant à ses goûts, on ne peut se permettre de donner un mauvais conseil à un client qui souhaite acheter un produit financier.
En matière d’épargne, votre assistant virtuel va-t-il jusqu’à des suggestions de placement, comme peuvent le faire les robo-advisors ?
L.P. : Les robo-advisors, qui relèvent plutôt de la banque privée, utilisent les technologies d’IA et notamment d’analyse du langage, pour extraire des informations structurées de documents présents sur Internet. Ces informations sont ensuite injectées dans des algorithmes classiques d’arbres de décision permettant d’aboutir à un conseil. Notre stratégie est de doter chaque client d’un chargé de clientèle qui le connaisse et le conseille dans la durée. Dans ce contexte, l’IA n’est pas nécessaire pour s’informer sur le client : nous disposons déjà, au sein de nos systèmes sécurisés, des informations qui seront utiles pour leur fournir ce conseil.
Beaucoup s’inquiètent de l’impact de l’IA sur l’emploi. Quel regard portez-vous sur la question ?
S.B. : Pour lancer ces projets, nous avons passé du temps avec les instances représentatives du personnel, afin d’expliquer et d’échanger. C’est nécessaire. Avec le déploiement des outils aux 20 000 chargés de clientèle, une étape a été franchie, car ils peuvent désormais voir leurs capacités réelles. Mais même si l’existant rassure, il demeure une inquiétude face au futur.
L.P. : L’automatisation des processus métier de la banque ne date pas de l’émergence de l’IA, qui ne fait que débloquer de nouveaux cas d’application. Cela fait trente ans que de nouveaux outils informatiques viennent assister chaque jour les tâches des collaborateurs, en les automatisant partiellement. Pour autant, les conseillers ont-ils moins de travail aujourd’hui ? C’est un rééquilibrage permanent qui pousse l’humain vers des tâches à plus forte valeur ajoutée, faisant appel à la créativité, à l’esprit de synthèse et à la capacité d’adaptation, qui restent aujourd’hui inaccessibles à la machine.
Les plates-formes support ne sont-elles pas menacées ?
L.P. : Ces outils ne donnent que des réponses extraites de la documentation et ne remettent donc pas en cause les plates-formes, qui peuvent au contraire se focaliser sur les questions à valeur ajoutée que la machine ne sait pas traiter.
Avez-vous pu chiffrer l’économie de temps permise par ces nouveaux outils ?
S.B. : Nous n’avons pas encore assez de recul pour le mesurer. Nous menons pour l’instant des enquêtes de satisfaction auprès des conseillers, avec des retours positifs des utilisateurs des assistants virtuels à plus de 90 %. Une part du challenge est aujourd’hui d’accompagner les collaborateurs dans ce changement, par des formations mais aussi en accompagnant, en transmettant des réflexes. Cela prend du temps.
