Rencontre avec Marion Cabrol
Data & AI Stories : c'est quoi un Data Scientist ?
La donnée et l'intelligence artificielle sont au cœur de notre stratégie de digitalisation et servent nos trois priorités stratégiques : la centricité client, l'efficacité opérationnelle et la responsabilité. Depuis 2019, nous avons abordé une phase réussie de passage à l'échelle avec notamment un portefeuille de plus de 250 cas d'usage Data et IA en production. L'enjeu aujourd'hui pour Société Générale est d'accélérer cette stratégie de passage à l'échelle : le Groupe s'appuie pour cela sur des équipes pluridisciplinaires, capables de construire rapidement ces solutions Data & IA performantes et réutilisables. Nous vous proposons de les découvrir.
Aujourd'hui, Marion Cabrol, Data scientist au sein du Digital Office de la banque d'investissement.
Comment expliquerais-tu ton métier « pour les nuls » ?
Je récupère des données, et grâce à des outils mathématiques et informatiques, je ‘devine' des informations. Imaginez quand Amazon ou Netflix ‘devine' les livres, films, séries qui vous intéressent : il y a un Data scientist derrière qui se base sur vos dernières données d'achats, vos derniers coups de cœur Netflix et votre historique ! Un Data scientist en finance peut, par exemple, deviner les produits financiers les plus adaptés pour son client.
Comment expliquerais-tu ton métier « pour les nuls » ?
Je récupère des données, et grâce à des outils mathématiques et informatiques, je ‘devine' des informations. Imaginez quand Amazon ou Netflix ‘devine' les livres, films, séries qui vous intéressent : il y a un Data scientist derrière qui se base sur vos dernières données d'achats, vos derniers coups de cœur Netflix et votre historique ! Un Data scientist en finance peut, par exemple, deviner les produits financiers les plus adaptés pour son client.
Quels sont les autres métiers Business, IT et Data Science avec lesquels tu collabores au sein du Groupe ?
Je travaille beaucoup avec les gens du métier, le business, car ce sont généralement ces personnes qui sont les plus à même de contextualiser la problématique que l'on doit résoudre avec la Data Science. Tout au long de la construction du projet, j'échange avec le métier : que ce soit pour obtenir une meilleure compréhension des données fournies, ou tester les modèles de Data Science par exemple, on a besoin de leurs retours. Notre équipe compte également des Data engineers : ils apportent des solutions permettant de passer nos modèles de machine learning en production (préparation des données, des API adaptées pour du machine learning, conception d'interfaces graphiques davantage user friendly, etc.).
Quels sont les exemples de cas d'usage sur lesquels tu travailles ?
Pour une meilleure efficacité opérationnelle, j'ai travaillé sur un assistant budgétaire : il assiste les collaborateurs dans la préparation du budget des Relations Clients et Solutions de Financement et Conseil en émettant des prédictions sur les différents pans du budget, selon divers scénarios économiques. Nous travaillons aussi sur un projet de détection automatique d'informations dans des prospectus de fond chez le Métiers Titre (Société Générale Securities Services). Ces informations sont essentielles pour le métier qui a l'habitude de récupérer manuellement une cinquantaine d'informations dans des prospectus de plusieurs dizaines, voire centaines de pages.
« Intelligence artificielle » (IA) sont deux mots que l'on entend partout aujourd'hui, est-ce nouveau ?
Ce domaine n'est pas nouveau : dès la moitié du XXème siècle, des scientifiques se penchaient sur le sujet de l'intelligence artificielle. Cependant, durant ces dernières années, deux phénomènes ont contribué à multiplier les possibilités d'intelligence artificielle et peaufiner les résultats : l'essor des data et les innovations techniques dans les algorithmes d'IA de plus en plus sophistiqués.
Beaucoup d'entreprises, en finance ou ailleurs, placent l'IA au cœur de leur stratégie : elle permet d'automatiser des tâches répétitives mais aussi de développer de nouveaux business. En finance, nous avons en plus la chance d'avoir une multitude de données avec une diversité de formats, donc il y a une abondance d'opportunités grâce à l'IA.
Comment se situe Société Générale dans le passage à l'échelle d'après toi ?
Lorsqu’on est une entreprise née il y a 156 ans, de 138 000 collaborateurs dans 62 pays, avec de nombreux systèmes informatiques, des clients dans de nombreux pays sous différentes juridictions, le passage à l’échelle n’est pas un exercice facile. Comment être certain que le projet développé à Paris est adapté à toutes les juridictions, tous les pays ? Comment être certain que quelqu’un n’a pas développé une solution similaire à l’autre bout du monde ?
Les équipes de Data Science prennent une part active pour amplifier le passage l'échelle déjà en cours chez Société Générale. Nos équipes sont centralisées avec les bonnes compétences et expertises, à proximité des métiers, afin de pouvoir répondre rapidement aux cas d’usage métier. A l’intérieur des communautés de Data Science, nous partageons régulièrement ce qui a été réalisé dans le domaine et la communication est accentuée sur la réutilisation de produits ayant fait leurs preuves. La plupart des codes des projets est mis à disposition des différents Datalabs. La majeure partie des projets d’IA de la banque sont centralisés et accessibles depuis notre plate-forme interne dédiée.
Retrouvez Marion Cabrol pendant l'événement digital AI For Finance jeudi 10 septembre 2020. Elle interviendra lors de la table ronde Women in Machine Learning et Data Science (WiMLDS) sur le thème : « Transformer la donnée en valeur business dans le monde de la Finance. »