Depuis la Grèce antique, l’intelligence est associée au cerveau, qui capture l’information au travers de nos différents sens. Le cervau est composé d’environ 100 milliards d’entités indépendantes : les neurones. Ils sont interconnectés entre eux, composant ainsi un réseau infiniment complexe. Loin d’être figé, cet organe évolue tout au long de notre vie, au rythme de notre vécu, de nos expériences. Sa plasticité contribue ainsi à une meilleure adaptation à notre environnement. La compréhension des règles gouvernant les réseaux de neurones remonte aux travaux de recherche du canadien Donald Hebb en 1949 avec sa fameuse formule: «des neurones qui s’excitent ensemble se lient entre eux». Sa théorie est ainsi à l’origine des réseaux de neurones artificiels. Qui permettent aujourd’hui aux machines d’être capables d’apprendre

L’intelligence artificielle (IA) est un sujet très vaste qui se définit comme «l’ensemble des théories mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence». Le machine learning (ML) est un élément de l’IA, qui s’appuie sur des approches mathématiques et statistiques donnant aux machines la capacité d’apprendre. 

L’histoire du ML débute dans les années 40 avec la découverte du neurone artificiel par deux chercheurs de l’université de Chicago, Warren McCulloch et Walter Pitts. Le neurone artificiel est une abstraction mathématique et informatique du neurone biologique. Il devient possible de construire des réseaux de neurones artificiels afin de résoudre des opérations logiques. Le perceptron est l'un des premiers algorithmes d'apprentissage automatique et le réseau neuronal le plus simple. Il s'agit d'un algorithme d'apprentissage supervisé de classificateurs binaires, inventé en 1957 par Frank Rossenblatt au Cornell Aeronautical Laboratory et utilisé pour la reconnaissance d'images. Ce perceptron monocouche a encore des limites : il ne peut séparer les classes que linéairement. L'ajout de couches cachées améliore l'algorithme et permet de multiplier le pouvoir explicatif du modèle. Le perceptron multicouche est un réseau neuronal profond. Plus nous ajoutons de couches cachées, plus la profondeur du réseau est grande et meilleure est la prise de décision du ML. Cependant, cela entraîne également des difficultés, dont l'un est le problème central de l'apprentissage automatique appelé le surapprentissage. De plus, cette architecture de réseau nécessite également une grande puissance de calcul et beaucoup de données. Le réseau neuronal est resté confiné à des tâches restreintes car pour résoudre des problèmes complexes, plusieurs couches sont nécessaires et les chercheurs ne savaient pas comment former ces couches superposées.

Les réseaux de neurones et l’IA ont traversé des hauts et des bas. 2012 est une année marquante pour les réseaux de neurone avec le Deep Learning. Lors du défi ImageNet 2012, Geoffrey Hinton, Ilya Sutskever et Alex Krizhevsky ont soumis une architecture de réseau de neurones convolutionnel, AlexNet. Il a surclassé ses concurrents en ramenant l'erreur top 5 de 26% à 15%. Le Deep Learning est devenu courant et a traversé les frontières jusqu’en Asie de l’est En 2016, la Chine reconnaît tout le potentiel de l’IA et du Deep Learning et décide de devenir un leader dans ce domaine.   Après Deep Blue en 1997, qui a battu le champion du monde des échecs, AlphaGo s’est lancé à la conquête d’un jeu ancestral chinois caractérisé par sa complexité: le jeu de Go, apanage des stratèges et des empereurs. Par l’immensité du nombre de combinaison possible, ce jeu semblait un défi de taille pour l’IA. Pourtant, en mars 2016, AlphaGo affronte le maître, Lee Sedol et remporte la bataille. La machine l’emporte sur l’homme et attire alors l’attention du monde entier. Et ce n'est pas un hasard si trois pionniers du Deep Learning, Yoshua Bengio, Geoffrey Hinton et Yann LeCun obtiennent le prix Turing en 2019.

Sur la base de ces succès et des avancées de l’algo trading, les investisseurs s’intéressent de façon croissante à l’IA. Selon l’OCDE, en 2019, le marché du private equity compte 12% d’investissements dans des start-up d’IA. Les principaux acteurs sont les USA, la Chine (depuis 2016 avec le soutien de son gouvernement) et l’Europe.

Les hedge funds sont de grands acteurs des algorithmes d'IA et d'apprentissage automatique en raison de leur capacité à identifier de nouveaux signaux, des mouvements de prix et à digérer une grande quantité de données. Cela fait partie intégrante de leur quotidien. En utilisant des modèles quantitatifs, les fonds spéculatifs peuvent développer de nouvelles stratégies de négociation. Mais son utilisation ne s’arrête pas aux investisseurs et à la gestion alternative. Elle peut s’avérer être une opportunité pour les banquiers privés. Il apparait aujourd’hui clairement que leur futur va dépendre de leur capacité à utiliser l’IA pour personnaliser la relation client et pour prendre en compte la demande des millénials, dont les attentes sont façonnées par les nouvelles technologies. La gestion de fortune va devoir augmenter l’utilisation de l’IA pour améliorer l’expérience client en fournissant des produits et des services qui répondent mieux aux besoins. Elle ne remplacera pas le conseiller clientèle mais va tout au contraire l’aider: le métier de banquier va graduellement évoluer et sera IA «augmenté». 

La fonction de gestion des risques doit elle aussi s’adapter afin d’avoir les bonnes compétences à bord pour comprendre l’IA et les modèles de ML. Cette tendance est liée à l’essor du big data et de la puissance de calcul. Toutefois, ces technologies ne sont pas parfaites. Si l’IA et plus particulièrement le Deep Learning sont probablement des «game changer» pour l’industrie financière et la gestion des risques, ils peuvent aussi amplifier ou créer de nouveaux risques (biais algorithmiques ou simples erreurs de programmation).

L’utilisation de ces technologies n’est pas limitée à la finance, elle aura un impact important sur l’économie en augmentant la productivité du travail, en créant une nouvelle main d’œuvre virtuelle et des nouvelles sources de revenus avec la diffusion de l’innovation. Elle devient ainsi une problématique stratégique pour les pays. La Chine débute sa course de l’IA afin d’accroître son activité économique et son influence géopolitique. En quelques années, l’IA est ainsi devenue une affaire stratégique et géopolitique. 

Les machines pensent-elles? La question reste en suspens. Une chose est sûre: elles sont capables d’apprendre en profondeur.