TÉMOIGNAGE : « Les chemins qui mènent vers les meilleurs jobs en machine learning dans la banque »

On m'a récemment demandé de donner mon avis sur les domaines les plus prometteurs en intelligence artificielle (IA) et en machine learning (ML). Après le deep learning, le natural language processing et les bases de données sémantiques étaient les deux domaines les plus proches qui me venaient à l’esprit.

Il y a NLP, NLU, NLL et NLG

Si vous voulez décrocher les meilleurs jobs en machine learning dans le secteur bancaire, vous devez connaître les termes natural language processing, undestanding, learning et generation que nous connaissons depuis les années 1950. Ce n’est que récemment que nous avons constaté leur utilisation et leur adoption se généraliser dans la vie réelle.

La plupart des gens seront d’accord sur le fait que le NPL fait référence à une gamme de techniques informatiques visant à traiter les langues humaines (naturelles) de manière efficace, souvent interprétative. A cela s’ajoute le natural language understanding (NLU), une solution IA qui repose sur la compréhension de la machine. Le natural language learning (NLL) réclame le déclenchement automatique de réponses spécifiques à une langue en utilisant les règles qui définissent cette langue. Enfin, le natural language generation (NLG) cherche à générer le langage naturel à partir d’un système NL de représentation machine.

Une véritable IA avec toutes ces capacités brouillerait certainement les frontières entre les humains et les machines. Je pense davantage à l’humanoïde Ava dans le film Ex Machina plutôt que les assistantes Siri ou Alexa. Nous en sommes cependant encore loin. Il suffit de lire des traductions de langages automatiques pour se rendre compte que toute prose contenant des nuances est souvent perdue dans la machine.

L'avenir repose sur les modèles de données sémantiques

Aujourd’hui, les bases de données classiques, largement relationnelles, qui prédominent dans l’industrie financière et ont fait la preuve de leur efficacité resteront des outils de travail utiles pour les années à venir. Cependant, leur portée est limitée car elles ne peuvent pas répondre à une définition conceptuelle des données.

En comparaison, un modèle de données sémantique (SDM) cherche à établir un lien entre la signification ou la connotation d’un langage avec le monde réel. C'est un grand objectif. Une telle approche cherche à éviter les limitations des bases de données traditionnelles sur la  façon dont les relations peuvent être interrogées. En effet, les concepts de normalisation des données et de schéma strict n'existent pas.

Parmi les avantages de l’utilisation d’un SDM, on trouve la flexibilité dans la manière dont de nouvelles interprétations du même objet peuvent s’ajouter aux interprétations existantes et le fait que les requêtes de base de données complexes peuvent être traitées de manière extrêmement efficace. À mon avis, les modèles de données sémantiques sont la voie à suivre pour tout système avancé de machine learning.

Les bases de données graphiques

Vous aurez également besoin de connaître les bases de données graphiques. Ces dernières utilisent des structures de graphes mathématiques pour les requêtes sémantiques avec des nœuds représentant des éléments de données et des arêtes entre les nœuds pour représenter les relations.

L'interrogation des relations dans une base de données de graphes est rapide et les relations peuvent être visualisées très facilement. Une recherche rapide sur le Web révélera le nom d’un certain nombre de très bonnes bases de données graphiques couramment utilisées.

Le résultat est que nous avons rendu notre monde sémantique. La technologie sémantique existe, se développe rapidement et est la voie à suivre pour ceux qui veulent faire des choses intelligentes avec des données. Ce n'est qu'une question de temps avant que les grandes sociétés de services financiers se livrent une vive concurrence pour trouver des personnes possédant des compétences en technologie sémantique.

Richard Saldanha est co-directeur d’Oxquant, une entreprise de conseil qui aide les entreprises à relever les défis et les opportunités complexes d’aujourd’hui en fournissant une expertise et des conseils en matière d’intelligence artificielle, d’apprentissage statistique et de technologies connexes. Il est également conseiller indépendant auprès d’Oxford Portfolio Advisers Ltd. Il possède plus de 20 ans d’expérience dans la gestion d’actifs et la banque d’investissement dans les domaines du trading quantitatif et des risques d’investissement. En plus de ses activités de conseil, il donne des conférences sur l’apprentissage statistique et ses applications en finance à la Queen Mary University de Londres et siège au conseil d’administration de la Magdalen College School à Oxford. Richard a étudié à l’Oriel College de l’Université d’Oxford et est titulaire d’un doctorat en statistique (DPhil).

Vous avez un scoop, une anecdote, un conseil ou un commentaire que vous aimeriez partager ? Contact : tiochem@efinancialcareers.com