TERATEC24 - Interview d'Hugues Even (BNP Paribas)

Summary

Le script d'entretien met en avant les initiatives de BNP Paribas dans le domaine de l'IA, avec le Chief Data Officer, HUG, partageant les projets et les défis liés à l'utilisation de modèles de langage génératifs. Il évoque la mise en place d'une Task Force pour explorer des cas d'usage, l'évaluation des clients sur des critères environnementaux avec l'aide de l'IA, et la création de commentaires pour le management d'actifs. L'accent est mis sur la sécurité des données, la gestion des risques et l'importance de l'équilibre entre innovation et contrôle lors de l'adoption de nouvelles technologies.

Takeaways

• 📊 HUG, le Chief Data Officer du groupe BNP Paribas, couvre plusieurs domaines, notamment la gouvernance et la qualité des données, la protection des données, et l'utilisation des données pour soutenir la stratégie de développement durable du groupe.
• 🌐 Le groupe BNP Paribas a déployé des solutions de data et d'IA depuis un certain temps, avec un plan à l'horizon 2025 visant à mettre en production environ un millier de cas d'usage et à générer 500 millions d'euros de valeur.
• 🔮 L'intérêt pour les grandes modèles de langage génératifs (LLM) est en augmentation au sein du groupe, avec la création d'une Task Force dédiée à l'exploration de ces technologies.
• 🛠️ Plus de 700 cas d'usage d'IA traditionnelle sont déjà en production, et une centaine de cas d'usage liés à la génération de langage sont en cours d'expérimentation dans divers métiers de la banque.
• 📈 L'utilisation des génératifs permet d'améliorer la productivité et la créativité dans la banque, en fournissant des résultats prometteurs dans les expérimentations en cours.
• 💡 L'exemple des engagements ESG est donné, où les génératifs sont utilisés pour extraire des informations des rapports environnementaux des clients, améliorant ainsi l'évaluation de ces derniers.
• 📝 Dans le domaine de la gestion d'actifs, les données structurées sont utilisées pour générer des commentaires de performance de fonds, enrichissant ainsi la communication avec les investisseurs.
• 👨‍💻 L'IT est également concerné par l'IA générative, avec des applications en cours d'expérimentation pour la codification, le débogage et la documentation de code.
• 🤖 L'expérimentation de l'IA générative est menée de manière bottom-up, avec des équipes métier créant des task forces pour identifier et proposer des cas d'utilisation.
• 🛡️ La sécurité des données est une préoccupation majeure, et aucune technologie ne sera déployée si elle présente un risque pour les données sensibles de la banque ou de ses clients.
• 🏢 La stratégie cloud du groupe est axée sur un approche hybride avec un cloud privé, rejetant l'utilisation de solutions cloud public pour des données sensibles.

Q & A

Quel est le rôle de HUG en tant que Chief Data Officer du groupe BNP Paribas ?

HUG en tant que Chief Data Officer est responsable de plusieurs domaines, notamment la gouvernance et la qualité des données pour répondre aux exigences réglementaires, le suivi des risques du groupe, la protection des données, et l'utilisation des données pour soutenir la stratégie de développement durable du groupe, y compris les données ESG.

Quelle est la taille des équipes de BNP Paribas dédiées à la data et à quel échelle elles opèrent-elles ?

La taille exacte des équipes n'est pas mentionnée, mais elles sont décrites comme importantes et opèrent à une échelle où elles sont capables de gérer et d'exploiter des cas d'utilisation d'IA à un niveau de maturité élevé, avec des plans à l'horizon 2025 impliquant un millier de cas d'utilisation en production.

Comment BNP Paribas aborde-t-il l'adoption des technologies d'IA génératives telles que les grands modèles de langage (LLM) ?

BNP Paribas a créé une Task Force dédiée à l'IA générative, qui collabore avec les équipes de données et informatique pour identifier et expérimenter de nouveaux cas d'utilisation à travers l'ensemble du groupe, en s'assurant de la sécurité et de la conformité réglementaire.

Quels sont les défis que BNP Paribas rencontre avec l'utilisation des IA génératives, comme par exemple les 'hallucinations' ?

Les 'hallucinations' font référence aux erreurs ou aux incohérences que peuvent produire les IA génératives. BNP Paribas cherche à contrôler ce risque en ajustant les paramètres de créativité et en effectuant des tests approfondis avant de passer à la production.

Comment BNP Paribas utilise-t-il l'IA générative pour évaluer les engagements ESG des clients ?

BNP Paribas utilise l'IA générative pour extraire des informations des documents non structurés tels que les rapports environnementaux des clients, afin de remplir des questionnaires d'évaluation ESG, améliorant ainsi l'efficacité et la précision du processus.

Quel est l'exemple donné concernant l'utilisation de l'IA générative dans le gestion d'actifs ?

Dans le gestion d'actifs, l'IA générative est utilisée pour créer des commentaires de performance de fonds en utilisant des données structurées, améliorant ainsi la richesse et la créativité des commentaires par rapport aux méthodes traditionnelles de NLG.

Comment BNP Paribas envisage-t-il l'utilisation de l'IA générative pour aider les développeurs informatiques ?

BNP Paribas explore l'utilisation de l'IA générative pour aider les développeurs à coder plus rapidement, à débugger et à documenter le code, en particulier pour la migration de systèmes historiques vers des technologies plus modernes.

Quelle est la stratégie de BNP Paribas concernant l'utilisation de l'IA générative pour les collaborateurs avec Microsoft Copilot ?

BNP Paribas teste Microsoft Copilot avec un certain nombre de collaborateurs pour évaluer sa valeur ajoutée dans le quotidien des collaborateurs, en se concentrant sur la sécurité et la formation appropriée avant de l'élargir à une base plus large.

Comment BNP Paribas identifie-t-il et cible-t-il les cas d'utilisation pour l'expérimentation de l'IA générative ?

La sélection des cas d'utilisation est un processus bottom-up, où les équipes des métiers ou des fonctions proposent des idées, qui sont ensuite validées par une gouvernance groupe en fonction de la valeur attendue et de l'innovation technologique.

Quels sont les défis liés à l'adoption opérationnelle de l'IA générative au sein de BNP Paribas ?

Les défis comprennent la maîtrise de la technologie, la gestion des données non structurées, la traçabilité des sorties générées, la formation des utilisateurs, l'intégration dans les processus métier et l'élaboration de road maps IT pour l'intégration des API et des solutions.

Comment BNP Paribas gère-t-il l'aspect de la sécurité des données avec les technologies d'IA génératives ?

La sécurité des données est la priorité absolue pour BNP Paribas. Elles ne déployent pas de technologie qui mettrait en risque les données sensibles et évitent l'utilisation de clouds publics pour ces cas d'utilisation, privilégiant plutôt des solutions sur des infrastructures privées et sécurisées.

Outlines

00:00

📊 Responsabilités et rôles du Chief Data Officer au sein de BNP Paribas

Le paragraphe introduit le rôle de HUG, le Chief Data Officer de BNP Paribas, en charge des domaines de gouvernance et qualité des données, notamment pour répondre aux exigences réglementaires et à la protection des données, conformément au RGPD. Il couvre également l'usage des données pour soutenir la stratégie de développement durable du groupe, en particulier les données ESG. L'accent est mis sur l'enthousiasme pour les technologies de l'IA, y compris les modèles de langage génératifs, et la mise en place d'une Task Force dédiée à l'exploration de ces technologies dans le groupe.

05:02

🛠️ Applications de l'IA générative dans divers domaines de BNP Paribas

Ce paragraphe détaille les différentes utilisations de l'IA générative au sein de BNP Paribas, allant de l'évaluation ESG des clients à l'aide de questionnaires complexes, en passant par la création de commentaires pour les gestionnaires de fonds dans le domaine de la gestion d'actifs, jusqu'à l'utilisation de l'IA pour aider les développeurs informatiques à coder plus rapidement et à débugger du code. L'objectif est d'améliorer la productivité et la créativité dans divers métiers de la banque, tout en soulignant les défis de maîtrise de l'IA générative et la nécessité de contrôler les 'hallucinations' pour assurer la fiabilité des résultats avant la mise en production.

10:03

🔄 Processus d'expérimentation et de déploiement de l'IA générative chez BNP Paribas

Le paragraphe décrit le processus bottom-up d'identification et de ciblage des cas d'utilisation de l'IA générative, impliquant des équipes de métiers et fonctions qui souhaitent s'approprier ces technologies. Il explique la gouvernance du groupe pour valider ces cas d'utilisation et la nécessité de trouver un équilibre entre vélocité et contrôle. Le texte met également en évidence les défis du passage à l'échelle, la maîtrise de la technologie, la gestion des données non structurées et l'importance de l'audit trail, ainsi que la formation et l'insertion opérationnelle des utilisateurs pour assurer une bonne adoption des technologies.

15:04

🏢 Stratégie de gestion des changements et de formation liée à l'IA générative

Ce paragraphe traite de la manière dont BNP Paribas gère l'adoption et la formation associées à l'IA générative, impliquant des efforts collectifs de diverses équipes telles que RH, IT, data et métiers. Il mentionne des initiatives de communication de groupe, des modules d'acculturation à l'IA générative, des événements tels que la 'Data Week' et l' 'AI Summer School' pour promouvoir l'apprentissage et l'échange d'expertise. Le texte aborde également la question de la sécurité des données et la décision de ne pas déployer de technologies de l'IA dans le cloud public, privilégiant ainsi des solutions cloud privées hybrides et des modèles plus petits pour réduire l'impact environnemental.

Keywords

💡Responsable de la data

Le responsable de la data est une personne clé dans une entreprise, responsable de la gouvernance, de la qualité et de la sécurité des données. Dans le script, le rôle du responsable de la data au sein du groupe BNP Paribas est mentionné, soulignant son importance pour répondre aux exigences réglementaires et pour soutenir la stratégie de développement durable du groupe.

💡Gouvernance des données

La gouvernance des données est le processus par lequel une organisation contrôle et protège les données. Le script mentionne que le responsable de la data couvre ce domaine, notamment pour des exigences réglementaires, ce qui est essentiel pour assurer la conformité et la protection des informations sensibles.

💡Qualité des données

La qualité des données fait référence à l'exactitude, la完整性 et la pertinence des informations. Dans le script, la qualité des données est un domaine clé pour le responsable de la data, car elle est cruciale pour prendre des décisions éclairées et pour satisfaire aux normes réglementaires.

💡RGPD

Le RGPD (Règlement Général sur la Protection des Données) est un cadre juridique européen visant à protéger la vie privée des citoyens. Le script mentionne la protection des données, notamment en ce qui concerne la réglementation européenne du RGPD, ce qui montre l'importance de la conformité avec cette réglementation pour les entreprises.

💡Développement durable

Le développement durable est un mode de croissance qui respecte les besoins du présent sans compromettre la capacité des générations futures à répondre à leurs propres besoins. Le script parle de la stratégie de développement durable du groupe, mettant en évidence l'importance de l'utilisation des données ESG (Environnement, Social, Gouvernance) pour soutenir cette ambition.

💡Modèles de langage génératifs

Les modèles de langage génératifs sont des systèmes d'IA capables de créer du texte de manière autonome. Le script aborde cette technologie, en particulier en ce qui concerne l'enthousiasme et les opportunités qu'elle offre pour améliorer la productivité et la créativité dans divers métiers bancaires.

💡Expérience utilisateur

L'expérience utilisateur fait référence à la manière dont les gens interagissent avec une technologie et perçoivent son utilité et son efficacité. Le script mentionne l'intérêt des collaborateurs pour comprendre et utiliser les technologies génératives, soulignant l'importance de l'acculturation et de la formation pour une bonne expérience utilisateur.

💡Cas d'utilisation

Les cas d'utilisation sont des scénarios spécifiques dans lesquels une technologie est appliquée pour résoudre un problème ou améliorer un processus. Le script détaille plusieurs cas d'utilisation expérimentés avec les modèles génératifs, tels que l'évaluation ESG des clients ou la création de commentaires de performance pour les fonds de gestion d'actifs.

💡Gestion des changements

La gestion des changements est le processus d'introduction de nouvelles technologies ou de processus dans une organisation. Le script aborde la nécessité d'équilibrer la vélocité de déploiement des outils IA avec le contrôle, en expliquant comment le groupe BNP Paribas gère l'adoption de ces nouvelles technologies.

💡Sécurité des données

La sécurité des données est la protection contre l'accès non autorisé, la divulgation, la modification ou la destruction des informations. Le script insiste sur l'importance de ne pas déployer de technologie qui pourrait mettre en danger les données sensibles, ce qui est un principe clé pour le groupe BNP Paribas.

💡Cloud privé

Un cloud privé est une infrastructure de cloud computing qui est utilisée par une seule organisation et peut être gérée par cette organisation ou par un tiers. Le script mentionne la stratégie cloud privée hybride du groupe, indiquant qu'ils préfèrent traiter des données sensibles à l'intérieur de leur propre infrastructure de cloud privé pour des raisons de sécurité.

Highlights

HUG, Chief Data Officer du groupe BNP Paribas, discute de l'importance de la gouvernance et de la qualité des données pour les exigences réglementaires.

Le groupe BNP Paribas s'engage dans la protection des données, notamment en conformité avec le RGPD européen.

L'utilisation des données pour soutenir la stratégie de développement durable du groupe, en particulier les données ESG.

La création d'une Task Force dédiée à l'exploration des applications des modèles de langage génératifs dans le groupe.

Plus de 700 cas d'utilisation de l'IA en production et l'objectif de 1000 cas d'utilisation d'ici 2025.

L'expérimentation de centaines de cas d'utilisation avec des modèles de langage génératifs.

Les générateurs IA améliorent la productivité et la créativité dans divers métiers bancaires.

L'extraction d'informations à partir de documents non structurés pour l'évaluation ESG des clients.

Les défis de contrôle des 'hallucinations' des modèles génératifs et la nécessité de validation des résultats.

L'utilisation de données structurées pour générer des commentaires de performance de fonds dans la gestion d'actifs.

L'intérêt pour l'amélioration de la génération de langage naturel avec des modèles génératifs plus riches et moins mécaniques.

L'exploration de l'IA générative pour aider les développeurs à coder, débugger et documenter plus efficacement.

La mise en place de dispositifs de formation et de communication pour acculturer les collaborateurs à l'IA générative.

La préférence pour des solutions d'IA plus petites et moins coûteuses en termes de ressources pour minimiser l'impact environnemental.

La stratégie cloud privée hybride du groupe pour assurer la sécurité des données lors du déploiement de nouvelles technologies.

L'importance de l'équilibre entre la vitesse de déploiement et le contrôle des risques lors de l'adoption de l'IA générative.

La collaboration avec des partenaires pour intégrer des solutions d'IA sur des infrastructures privées ou open source.

Transcripts

[Musique]

bonjour à toutes et à tous je suis avec

HUG ven chief data officer du groupe BNP

pareba bonjour HUG bonjour Julien

bonjour à tous alors BNP pariba groupe

grand groupe français qui déploie des

solutions de datataedia depuis un

certain temps HUG pouvez-vous nous

rappeler ce que vous avez déjà déployé

par le passé quel sont la taille de vos

équipes et juste l'échelle à laquelle

vous opérez oui volontiers alors

peut-être pour donner une précision sur

mon rôle en tant que responsable de la

data de du groupe on couvre plusieurs

domaines notamment les domaines de qui

touchent à la gouvernance et à la

qualité des données notamment pour des

des exigences réglementaires sur le le

suivi des risques du

groupe un tout un plan d'activité autour

de la la protection des données euh

notamment vis-à-vis de la réglementation

européenne du rgpd et puis ensuite euh

des activités qui touchent à l'usage et

à la valeur qu'on peut tirer de nos

données notamment pour accompagner la la

stratégie de développement durable du

Groupe donc on a tout un chantier sur

les données ESG donc les données qui

supportent notre ambition

environnementale sociale et et de

gouvernance et puis bien sûr lia alors

vaste sujet euh ce qui défrait la

cronique on va dire depuis depuis 1 an 2

ans 3 ans c'est lié à générative les les

large language models notamment comment

vous avez pris ce tournant est-ce que

c'est quelque chose sur lequel vous avez

été plutôt est-ce que vous avez été

plutôt pionnier avec déjà

expérimentation est-ce que vous voulez n

détailler tout ce que vous faites et on

va dire à quel niveau de déploiement ou

de maturité vous en êtes alors on n'est

pas sceptique on est plutôt super

enthousiaste par rapport à toutes ces

technologies

forcément je pense et je suis pas le

seul à le penser que l'industrie

financière et un terrain de jeu

fantastique pour pour toutes les

variantes de l'IA que ce soit l'IA

traditionnel et les cas d'usage que je

viens d'évoquer sont plutôt des cas

d'usage d' traditionnel sur lesquels on

travaille depuis quelques années et dans

lesquels on s'est engagé dans le cadre

du plan en cours qui a un plan à horizon

2025 d'avoir à peu près un millier de

cas d'usage en production et de délivrer

500 millions d'euros de valeur en cours

de route au milieu du plan et arrivé

chat GPT et liya générative et et avec

avec toutes les avec toutes les

prouesses qu' sont capables de faire et

donc assez naturellement on a créé ce

qu'on appelle une Task Force dia

générative dans le groupe qui est

collidé avec les équipes data et les

équipes IT du groupe qui vise à recenser

tous les cas d'usage qu'on veut

expérimenter donc aujourd'hui dans le

groupe autant sur l'ya traditionnel on

est déjà en production sur plusieurs

centaines de cas d'usage plus de 700

aujourd'hui autant sur lia générative on

est en expérimentation et on expérimente

une centaine de cas

d'usage qui touche à tous les métiers de

la banque pour le coup li génératif

c'est vraiment un outil

qui va nous aider à améliorer la

productivité la créativité dans dans à

peu près tous les métiers de la banque

en tout cas les expérimentations qu'on

fait sont très très vastes et et

aujourd'hui délivre des résultat assez

intéressant et donc peut-être pour

donner quelques exemples euh peut-être

pour revenir par exemple sur les

engagements ESG du groupe donc

environnementaux on on on on fait ce

qu'on appelle un une évaluation de nos

clients sur des critères

environnementaux et donc c'est un

questionnaire qui fait plusieurs

plusieurs dizaines de questions et qu'on

doit remplir pour dire si le client

combien il aimet de de gaz à effet de

serre est-ce qu'il a une stratégie de

transition énergétique et cetera et

cetera et donc il faut lire le rapport

environnemental du client s'il existe

sinon son rapport annuel sinon son site

corporate et cetera donc c'est une base

documentaire assez large et assez

fouillé parce que c'est souvent des

rapports assez assez denses et donc on

arrive avec des As génératives à les

extraire de ces documents les

informations qu'on recherche dans dans

l'assessment dans les pour remplir le

questionnaire ça c'est intéressant et ça

fournit des résultats très probant ce

qu'il faut arriver c'est maintenant

c'est à à à contrôler encore les

hallucinations et encore des effets un

peu un un de d'hallucination qu'on qu'on

arrive pas toujours à contrôler même si

on peut doser la température ou le

niveau de créativité qu'on attend de ces

outils parfois ils arrivent encore à

nous surprendre donc ça ça c'est le

genre de de risque qu'on veut absolument

contrôler avant de passer en production

et c'est pour des raisons comme celle-ci

on n'est pas encore en production sur

ces cas d'usage un autre exemple c'est

au sein de de l'asset management donc

c'est les équipes qui qui créent des

fonds et qui ces fonds ensuite sont

distribués via des réseaux de

distribution à à à des clients et le

gestionnaire du fond quelque part doit

expliquer la performance de son fond de

manière régulière ça peutêre tous les

mois tous les trimestres et donc il doit

rédiger un commentaire et donc là on

utilise de la donnée structurée pour

créer un commentaire de fond donc c'est

un peu l'inverse de l'exemple précédent

où là on avait une base documentaire non

structuré et on devait extraire des

datapint structurés pour alimenter un

questionnaire là c'est l'exercice

inverse qui est tout aussi intéressant

et là aussi les commentaires sont assez

riches est ce que ça améliore donc on

faisait déjà ce qu'on appelle de du NLG

donc la génération de de langage naturel

mais c'est des approches un peu plus

scriptées et et et finalement la

richesse du langage est moins est moins

bonne et donc les les génératifes sont

quand même beaucoup plus agréables un

peu moins mécanique que les anciennes

méthodes donc ça ça nous intéresse aussi

c'est genre de cas d'usage qu'on regarde

et après bien sûr les équipes IT donc

comment utiliser les i génératives pour

coder plus rapidement pour

débugger pour documenter du code on sait

que les développeurs parfois sont très

assidus pour faire du code propre mais

le documente de manière moins assidue

euh et donc voilà et où où euh nous on

est une banque qui a quand même un

certain nombre de

systèmes historiques et qui peuvent être

écrits dans des langages un peu anciens

et donc on a pas mal de programme de de

migration et et réécrire des des appis

dans des dans un code plus moderne plus

récent ça aussi ça ça aide beaucoup à

transcrire du code euh donc voilà pour

donner des exemples d'IA générative en

cours dans le groupe peut-être ça c'est

les cas d'usage il y a aussi bien sûr

lia générative pour tous quoi donc

quelque part là aussi on travaille sur

des outils comme copilote pour qui est

branché sur le le graphhe de

connaissance de Microsoft pour faire en

sorte qu'on puisse utiliser l'

générative aussi donc là c'est des

phases de de de test aussi on a testé

sur 300 collaborateurs au début et là on

élargit cette phase d'expérimentation à

plusieurs milliers de collaborateurs

toujours dans cette logique de de bien

comprendre la valeur qu'on en attend

d'être sûr que les gens qui utilisent

ces technologie les collaborateurs qui

utilisent sont formés comprennent le

levier de ces techno mais aussi les

risques associés avant de de pouvoir

aller plus vite donc c'est toujours un

exercice entre vélocité et contrôle un

équilibre à trouver pour déployer ces

outils plus la question du coup

évidemment puisque le Copilot

typiquement il a des coups de licence

exactement donc donc Microsoft s'est

amusé à demander si les collaborateurs

préférai un free lunch par mois ou

Copilot et je crois que plus 900 % des

des utilisateurs pas chez BNP pas

forcément dans le groupe mais sur la

base de clients qu'ils ont préfère un

copilote qu'un freelunch al je sais pas

si si c'est que la cantine est pas bonne

ou mais ouais c'est encourageant est-ce

que vous pouvez rapidement juste nous

dire comment vous avez identifié ciblé

ces ces cas d'usage d'expérimentation

vous vees travaillé avec les métiers

est-ce que c'est quelque chose que les

labs ont décidé de même comment ça s'est

choisi

alors c'est très c'est très bottom up

donc c'est vraiment c'est c'est des

équipes au sein des métiers ou des

fonctions qui veulent s'approprier ces

technologies et qui qui créent des des

task forces pour réfléchir et pour

proposer des cas d'usage ensuite là il y

a une gouvernance groupe qui valide les

cas d'usage et en gros un cas d'usage

est validé soit si euh il y a une valeur

attendue don quelque part on a un retour

sur investissement que ce soit en terme

de de de de valeur supplémentaire ou de

coût qu'on peut économiser soit s'il y a

un volet un peu innovation donc une une

forme de de de progrès technologique

qu'on veut tester et prouver à travers à

travers ces

expérimentations voilà et après du coup

on les on les cadre dans le temps donc

c'est une expérimentation doit durer 3

ou 4 mois mais pas beaucoup plus pour

pouvoir livrer des résultats et ensuite

c'est là que le plus dur commence parce

que faire fonctionner une a générative

en mode un peu expérimentation c'est

relativement simple la difficulté résud

ensuite euh dans le passage à l'échelle

et le passage à l'échelle il y a

plusieurs difficultés qu'on entrevoit

déjà la maîtrise de la technologie en

tant que telle et ça on en a parlé un

peu sur les hallucinations tout à

l'heure de comment maîtriser ça euh le

sous-jacent data parce que quelque part

ces illages génératives ce qu'elles

savent faire c'est traiter pour l'essens

de la donnée non

structurée et nous enfin c'est pas que

nous mais historiquement on gère très

bien les données structurées parce que

c'est des bases de données qui sont des

assets it avec des solutions logiciels

derrière qui permettent de maintenir ces

bases de données la donnée non

structurée elle est un peu plus diffuse

et donc il faut commencer à définir des

infrastructures ou des architectures

d'information sur la donnée non

structurée pour reprendre l'exemple du

rapport ESG de tout à l'heure ça veut

dire qu'il faut qu'on ait un un

référentiel de rapports environnementaux

et sociaux de nos clients il faut que ce

référentiel soit maintenu à jour il faut

qu'on ait un audit trail entre ce que

lien va collecter dans ces documents et

et les documents eux-mêmes donc la la la

traçabilité aussi de des des output de

ces générative et important et comment

on génère et comment on stock cette

audit trail et puis après l'insertion

opérationnelle donc ça veut dire quoi ça

veut dire la formation des gens qui vont

utiliser cesia c'est être sûr qu'on

prend pas pour argent comptant euh tout

ce qui sort de l' être sûr qu'on vérifie

à chaque fois donc garder l'humain dans

la boucle c'est un facteur essentiel de

de de de la bonne insertion et puis bien

sûr insérer une IA dans un process enfin

faut pas que ce soit un outil à côté

sinon ça fonctionnera pas que ce soit

intégré dans un process donc dans des

outils et donc il faut qu'il y ait des

road map it aussi qui prévoi ces

insertions des API et cetera et donc

dans le groupe on s'appuie sur plusieurs

actifs groupes qui existent depuis

longtemps c'est le Cloud on a un cloud

privé dans lequel on investit depuis

longtemps on a une Marketplace it dans

laquelle on déploie nos solutions via

des API qui peuvent être consommés par

toutes les équipes IT du groupe et donc

tout ça ça c'est des assets it qui font

partie de la stratégie IT du groupe

depuis un certain temps et qui nous aide

côté i1 à vraiment accélérer et passer à

l'échelle plus rapidement et comment

vous gérez cette conduite du changement

cette formation l'utilisateur je sais

que c'est encore en phase

d'expérimentation mais j'imagine que

vous avez des process déjà en place

est-ce que c'est l'IT qui le fait est-ce

que c'est la partie plutôtin est-ce que

c'est vous au sein de du groupe data

alors c'est un effort très

collectif auquel sont associé bien sur

les équipes RH les équipes IT les

équipes data et les équipes métiers et

la communication groupe aussi on a on a

de plus en plus de une communication

groupe qui s'articule autour de l'a donc

on a par exemple ce qu'on appelle une

série ai in actions euh qui qui publie

tous les mois

euh des exemples de d'expérimentation ou

de mise en production d'1 qui valorise à

la fois les équipes métiers les Data

scientistes et les utilisateurs finaux

qui vont utiliser ces euh on a par

exemple sur l'A générative créer un

module d'acculturation àa générative euh

qui a été déployé il y a il y a à peu

près un mois et qui a rencontré un

succès fantastique dans le groupe parce

que on explique la genèse de li

générative on explique un peu

techniquement comment ça fonctionne et

il y a une vraie appétence de l'ensemble

des collaborateurs du Groupe he sans

niveau d'expertise particulier à

comprendre comment ça fonctionne on

explique comment utiliser un prompte et

puis quels risques sont associés à ça et

puis après ce qu'on appelle les 12 endon

dans ce qu'il faut faire ou ne pas faire

qu'on utilise ce genre de technologie et

donc l'effort

culturation il est assez assez vaste on

a quelques points de passage aussi des

grands événements dans le groupe où euh

on on quelque part on forme aussi on

acculture les collaborateurs on a ce

qu'on appelle la data Week qui va être

début juin et donc c'est une semaine de

de de conférence autour de la data de

lien avec des partenaires qui viennent

témoigner avec d'autres industries qui

vennent expliquer ce qu'elle fait et

avec des expertises internes du groupe

qui Vinent viennent présenter un peu

leurs travaux ou leurs expertises ça

c'est la data week et on a aussi ce

qu'on appelle la ai Summer School qui

existe depuis 6 ans donc c'est pour

illustrer ce que je disais au début

c'est pas c'est pas nouveau mais c'est

là ça va être la 7e édition de la Summer

School dans laquelle là on a de jours de

entiers consacrés dédiés à lia où là

encore on fait intervenir tout un tas

d'experts sous un angle à la fois

technique donc on a des des technical

track et un angle business donc on a des

track pour être sûr que tous les

collaborateurs qui s'intéressent à la

thématique mais quel que soit leur

niveau d'expertise puissent apprendre

des choses et après repartir avec des

enseignements intéressants pour eux dans

leur métier alors c'est un dispositif

très complet euh peut-être pour terminer

vous av qui Copilot de de Microsoft et

on sait que un acteur comme open

typiquement est vraiment en pointe sur

le secteur du générative mais d'un autre

côté dans le milieu bancaire et

financier on sait qu'il y a des données

assez sensibles euh j'ai envie de vous

poser la question qu comment vous vous

jaugez la part de technologie que vous

deviez gérer en interne celle que vous

pouvez gérer avec des partenaires celle

qui peut être dans un cloud public celle

que vous devez garder onprem ou dans

votre cloud privé comment vous faites la

part des choses est-ce que vous avez des

partenaires déjà identifier

ouais c'est un point fondamental que

vous évoquez c'estàdire que la sécurité

des données pour nous c'est le critère

numéro 1 c'estàd que on ne déploierera

jamais une technologie qui serait

susceptible de mettre en risque les

données de nos clients ou les données de

la banque euh donc les cas d'usage dans

les clat de public il y en a pas c'est

pour nous c'est un Nogo euh il est

impossible ou alors c'est sur des

données complètement anonymisées ou des

jeux de test synthétiques mais sur la

donnée de la banque il y en a pas il y

en aura jamais depuis longtemps on a une

stratégie cloud privée hybride sur

laquelle on s'appuie essentiellement

après vous avez raison les LLM pour

beaucoup sont servis dans des solutions

clat donc j'ai évoqué euh un peu ce

qu'on fait sur sur copilote l'intérêt de

copilote c'est qu'il est branché au

graphhe Microsoft Azure mais ça va

rester une application un peu

bureautique ça n'aura pas d'autre usage

que de faciliter le travail des

collaborateurs au quotidiens quand ils

doivent rédiger des minutes d'une

réunion prérédiger une réponse à un

email ou ou naviguer des des données

dans dans dans

Excel maintenant quand il s'agit de

faire tourner des IA au plus proche des

données de la banque sur des cas d'usage

très métier bancaire là effectivement on

va être en prè et enfin du coup sur des

infrastructures privées dans les murs de

la banque et donc effectivement sur la

la logique de partenariat on s'attache

aussi à avoir des des

solutions alors soit Open Source qu'on

utilise dans nos murs et pour ça on a

développé ce qu'on appelle le modè hub

qui nous permet de downloader des

librairies open source de de de de

machine learning

euh et en en ayant passé au crible euh

de tous les standards de sécurité du

groupe et donc il y a certaines

librairies qu'on qu'on utilise pas parce

qu'on estime qu'elles sont pas assez

sécurisées il y a des failles il y a

éventuellement des bacs d'or et cetera

donc un LLM Open Source entrera dans nos

murs uniquement s'il a passé tous les

checks cyber cybécurité et ensuite on va

avoir des partenaires euh alors j'ai pas

cité de nom mais des partenaires qui qui

ont des IA assez

pointu qui ont des modèles plus petits

aussi ce qui nous intéresse c'est

d'avoir le le bon équilibre entre la

performance et et le coût de la solution

et surtout la consommation de ressources

aussi soucieux de de de l'empreinte

environnementale que vont avoir ces

modèles et donc à performance

équivalente on va favoriser des petits

ou des moyens modèles plutôt que des

gros modèle servicés dans des clouds

parce que on estime que c'est inutile de

consommer autant de ressources pour le

cas d'usage qu'on veut traiter donc on

va vraiment avoir une architecture de

solution qui va mixer soit des solutions

dans des dans des clouds mais des clouds

soit des

tenant privés BNP paribain euh soit sur

nos infrastructures à nous euh on

premise open source ou des partenaires

un peu plus dédiés qui vont venir avec

nous dans des logiques de partenariat

installer leurs outils sur sur not

système et nous aider à en tirer le

meilleur écoutez merci beaucoup gevenen

on a hâte de voir ce que ce que vous

allez faire l'avenir bonne journée merci

beaucoup