Qu’est-ce qui a motivé la création du fonds dédié à la data et à l’intelligence artificielle (IA) ?
Nous avons pensé que c’était le bon moment pour lancer ce type de fonds : nous voyons passer de plus en plus de dossiers de start-up assez jeunes cherchant un financement pour leur phase de démarrage. Historiquement, nos fonds étaient davantage centrés sur des sociétés dégageant déjà du chiffre d’affaires. Celles du fonds Serena Data Ventures ont commencé à développer leur technologie, elles ont des premières preuves de succès et des clients potentiels mais sont encore loin d’un business model validé. Ces dernières années, ce sont les couches technologiques basses, permettant le stockage et le traitement de gros volumes de données, qui ont été prioritairement développées, notamment par les grands acteurs américains de l’Internet. Elles sont aujourd’hui matures et peuvent être utilisées par des start-up pour créer les couches applicatives manquantes. Ce sont elles qui portent la valeur ajoutée.
De quel genre d’applications parle-t-on ?
Les premières qui ont été développées concernent la connaissance du client (CRM, exploitation des données de parcours sur Internet, outils prédictifs…) et sont transectorielles. D’autres sont beaucoup plus verticales et se concentrent sur un secteur donné : le médical, l’énergie, l’agriculture… et bien sûr la finance.
Pourquoi allier Big Data et IA au sein d’un même fonds ?
L’idée sous-jacente de ces technologies est la même : tirer de l’intelligence des données. Cette intelligence peut découler d’un traitement analytique d’un gros volume de données. Elle peut aussi être plus prospective et prédictive, deviner des tendances, ce que des études simplement analytiques ne permettent pas de faire.
Quand les champs de données ne sont pas précisément calibrés ou que l’on n'a pas d’idée quant au résultat à obtenir, il faut injecter un peu d’« intuition » et de déduction. C’est ce que font le machine learning et le deep learning : le machine learning nécessite que l’humain éduque la machine en lui disant quoi faire ou quoi reconnaître dans un très grand nombre de cas ; avec le deep learning, la machine est capable de se construire un univers de reconnaissance dont elle peut ensuite déduire la réponse à la question – par exemple, reconnaître sur une photographie un sac à moitié dissimulé à partir d’un très grand nombre de photographies de sacs au préalable étudiées. Par ailleurs, Big Data et IA se complètent : plus le volume de données auquel la machine est confrontée est important et change en temps réel, plus l’algorithme peut apprendre et devenir intelligent.
Le concept d’IA est de plus en plus souvent invoqué pour promouvoir de nouvelles solutions. Comment faites-vous le tri et détectez-vous celles qui en relèvent vraiment ?
Les critères qui comptent sont la robustesse technologique de la solution et les compétences de l’équipe. On rencontre, au sein des start-up de l’IA beaucoup plus fréquemment que dans celles de l’internet BtoC, des titulaires de PhD qui viennent du monde académique. Ils ont étudié de manière poussée les mathématiques, la statistique, la physique…
Faut-il être soi-même spécialiste ?
Notre objectif en créant un fonds dédié était de nous consacrer pleinement à ce domaine. Plus on rencontre des start-up de l’IA, plus on apprend. C’est un cercle vertueux. Nous invitons régulièrement des start-up, des grands groupes et des académiques à venir échanger dans le cadre de conférences (Data Driven Paris). Cela nous permet d’avoir un premier filtre pour évaluer le sérieux des solutions présentées. Un minimum de travail de validation technologique éclaircit déjà beaucoup les rangs ! Mais nous ne sommes pas des spécialistes et nous faisons appel dans un second temps aux experts des start-up que nous avons déjà financées pour étudier plus en profondeur la technologie.
Quelles sont les applications plus spécifiquement dédiées au secteur financier ?
Les sujets réglementaires et de compliance, de par leur complexité, leur variabilité dans le temps et leur hétérogénéité entre les pays, inspirent beaucoup de start-up. Une des applications de ce domaine dit de la « regtech » est l’étude en temps réel de l’ensemble des exigences applicables à un produit financier donné, l’analyse des risques sur des cas passés et la production de recommandations. Ce sont des tâches que les directions juridiques ou de conformité doivent aujourd’hui réaliser manuellement.
Nous rencontrons aussi beaucoup de projets sur le KYC : l’IA permet de s’assurer avec une plus grande probabilité qu’un client ne se présente pas sous une fausse identité. C’est un sujet qui intéresse à la fois les banques traditionnelles et les FinTechs qui se sont lancées plus récemment.
Les interfaces utilisateur et les bots conversationnels attirent également beaucoup l’attention des banques qui essaient de réinventer l’expérience du conseiller bancaire tout en supprimant les agences. Elles testent différentes start-up positionnées sur ce créneau.
Enfin, la sécurité des données confidentielles est un autre champ majeur d’intervention pour la banque et l’assurance, secteurs construits sur la notion de confiance. On ne peut pas envisager a priori toutes les attaques possibles, ni isoler complètement l’établissement de l’extérieur – d’autant que les comportements malveillants peuvent venir de l’intérieur. Des outils d’analyse des données – par exemple, les connexions des utilisateurs – combinés à des technologies de machine learning permettent d’identifier les cas à risque.
Les robo-advisors relèvent-ils, selon vous, de l’IA ?
Ils ne sont pas encore très intelligents et consistent surtout à faciliter l’accès à des algorithmes déjà utilisés par de grands gestionnaires. Mais ce n’est que le début. Le trading aussi peut bénéficier de ces technologies, pour prévoir le résultat d’une stratégie de marché et l’affiner.
La réglementation peut-elle être un frein pour ces start-up ?
Elle peut être un frein et en même temps une opportunité. Le
