Cet article est la retranscription écrite d’une capsule audio diffusée lors de la 2e édition des Audio Days. Pour en savoir plus sur cet évènement, rendez-vous sur audio-days.com. Vous pouvez également écouter la capsule à la fin de cet article.
Bonjour a tous, je m’appelle Jérémie Guez, je suis responsable du département data et intelligence artificielle au sein de BNP Paribas Personal Finance. Je suis en charge de tous les sujets autour des data platform et de l’intelligence artificielle. C’est un département qui a été créé il y a maintenant quatre ans et demi, labellisé sous le nom de Data Lab. A l’origine, c’était vraiment le Data Lab de BNP. Cette marque est encore très, très forte aujourd’hui et on continue à l’utiliser pour brander nos produits. On avait travaillé sur des premiers use case alliant la data, les nouvelles données qu’on n’avait pas l’habitude d’utiliser et les nouvelles manières de faire du scoring. On en fait depuis très longtemps chez les Personal Finance, mais là, on a vraiment changé notre manière de scorer. On est passé du monde linéaire, au monde non linéaire et on a vu qu’il y avait un vrai gain de performance et donc on a décidé de se structurer, fort de cette expérience sur ces sujets-là. Ça a démarré par une plateforme de data science, Sparrow pour les data scientists, pour les profils analytiques, pour permettre d’avoir les bons outils pour travailler.
Cette équipe de plateforme, on l’a créée avec, au début, trois ou quatre personnes. Très vite, cette plateforme a connu un grand succès dans l’entreprise. On est passé de 5 personnes à 80 personnes qui travaillent sur la plateforme, qui étaient vraiment utilisateurs de la plateforme. Et donc, on a décidé un peu de professionnaliser notre démarche, et de vraiment construire une équipe produit autour de la plateforme Sparrow. Aujourd’hui, c’est environ huit développeurs, un product owner, et 200 utilisateurs dans une vingtaine de pays. Cette plateforme permet de travailler sur des use case très variés de la data science, que ce soit du scoring de manière classique, de la classification ou des sujets un peu plus complexes, je pense à tout ce qui est traitement du langage, traitement de l’image. En fait, cette plateforme permet d’avoir accès aux nouveaux langages de programmation, notamment le langage Python et au monde de l’open source, dans un environnement sécurisé, au sein d’une plateforme qui est hébergée dans le cloud privé de BNP Paribas.
On a plusieurs prochaines étapes. La première, c’est de continuer à délivrer des produits d’intelligence artificielle pour les métiers, continuer à optimiser nos processus et de les améliorer, à mieux comprendre nos clients, à fournir un service adapté à chaque client. C’est très important de penser vraiment à nos clients dans un premier temps. Dans un second temps, on commence à mettre pas mal de choses en production et à travailler sur le monitoring, sur la transparence, l’explicabilité de nos modèles. Ce sont des choses sur lesquelles on travaille déjà, et on aimerait accélérer dans les prochaines années.
C’est toujours assez compliqué de se dire « comment on aurait fait maintenant, trois ans après, si je pouvais revenir en arrière, est-ce que j’aurais fait différemment ? ». Je pense qu’il faut vraiment s’adapter à son environnement et à la maturité du marché. Aujourd’hui, le marché est beaucoup plus mûr. Si vous travaillez dans une start-up ou dans un grand retailer ou dans une banque, vous n’avez pas les mêmes contraintes ou les mêmes problématiques. Ce qui était très important pour nous, c’était la sécurité des données de nos clients, l’intégrité de nos données, un environnement sécurisé. Ça faisait partie de nos indicateurs forts. C’est pourquoi on a vraiment créé cette plateforme homemade. En plus de cette plateforme là, on a aussi mis à disposition une équipe de data scientists. Parce que sinon, vous allez vous retrouver un peu décorrélé entre les besoins, les usages et les besoins de la plateforme. On a vraiment une équipe de data scientists, en plus de cette équipe produit/plateforme, qui utilise la plateforme au quotidien, et du coup qui génère un cercle vertueux de feedback. En effet, cette équipe de data scientists, qui utilise au quotidien, peut très vite remonter les endroits où on peut améliorer la plateforme et aussi délivrer de la valeur aux métiers et donc acquérir une certaine crédibilité auprès des métiers. Ce cercle vertueux, c’est quand on a envie de revenir et on a envie de retravailler sur la plateforme et de retravailler avec nos équipes pour différents cas d’usage.
Pour donner un conseil, c’est d’essayer de ne pas trop se mettre de barrières. J’ai souvent entendu au début « oui, mais c’est pas possible, on n’a pas assez de données », « oui, mais on n’a pas un data hub », « oui mais on n’a pas la bonne infrastructure ». Quelque part, c’est vrai, ce sont des raisons, mais ce sont des fausses excuses. Je pense qu’il faut tenter, il faut essayer. Honnêtement, c’est en se trompant qu’on en arrive finalement à ajuster le tir.
Comme ce média Decriiipt, les Audio Days sont une création originale de notre Groupe Iteractii et de Intuiti, avec le soutien de supers partenaires et sponsors. Vous souhaitez nous écrire ? Envoyez-nous un mail à l’adresse contact@groupe-iteractii.com.
Cette capsule audio est également disponible sur les plateformes suivantes : Deezer – Spotify – Apple Podcast
