labs@atheron:~/industries/banking/ai$ train agent --grounded

IA bancaire

Tri des alertes de LRPC et assistants de procédures.

Une banque ne peut pas envoyer les opérations de ses clients au modèle de quelqu’un d’autre, et la gestion du risque de modèle exige que chaque modèle soit expliqué, validé et surveillé. L’IA bancaire passe donc ici par un modèle sur mesure ou open source, sur du matériel ou des comptes que la banque contrôle, avec la preuve de validation produite pendant le projet.

Lancer un projet Voir les exemples de projets

// ce qui compte ici

Ce qui change dans ce secteur.

Les données clients restent à la banque

Le modèle de LRPC roule sur des serveurs GPU dans votre centre de données et l’assistant de procédures dans votre propre compte infonuagique. Rien n’est envoyé à un fournisseur de modèles.

La preuve pour la validation du modèle

Nous documentons les données d’entraînement, la méthode, les résultats sur le jeu réservé et les limites de chaque modèle, dans la forme dont votre équipe de risque de modèle a besoin pour l’examiner.

Les analystes décident, le modèle classe

Le modèle de tri ordonne la file et montre ses raisons. Les décisions et toute déclaration au CANAFE restent entre les mains de vos analystes.

Surveillé après le lancement

Les scores du modèle sont comparés aux conclusions des analystes à intervalles réguliers, et une dérive déclenche une alerte avant de devenir une constatation.

// exemples de projets

Exemples chiffrés pour ce service.

Chacun est hypothétique, présenté comme tel et chiffré en direct à partir de notre grille tarifaire. Ouvrez-le dans l’estimateur et adaptez-le.

Exemple de projetApplication webIALLM sur mesure

Tri des alertes de LRPC sur place

Hypothétique. Ni un client ni un résultat.

// Le problème

La surveillance des opérations produit une file d’alertes que les analystes ne peuvent pas vider, et les vraies activités douteuses attendent derrière des milliers de faux positifs.

// Ce que nous bâtirions

Un modèle sur mesure affiné à partir des alertes fermées et des notes d’analystes de la banque, qui roule sur des serveurs GPU dans le centre de données de la banque pour que les opérations des clients n’en sortent jamais, et qui classe chaque alerte en expliquant pourquoi à l’analyste qui décide.

// Ce qu’il comprend

Un modèle affiné sur vos anciennes alertes et sur la façon dont les analystes les ont fermées
Chaque alerte classée, avec les opérations et les tendances derrière le score
L’analyste décide et monte le dossier; le modèle ne produit jamais de déclaration
Mesuré sur un jeu réservé d’alertes fermées avant la mise en service, puis à intervalles réguliers
Roule sur des serveurs dans votre centre de données, sans aucune donnée envoyée à l’extérieur

// Technologies

PyTorch
Python
PostgreSQL
Next.js
Serveurs GPU Lenovo sur place

// estimation

Développement: ≈ 193 000 USD à 294 000 USD, livré en 38 semaines au plus274 600 $ CA à 418 100 $ CA
Hébergement: ≈ 176 USD par mois250 $ CA par mois
Soutien: ≈ 5 010 USD par mois7 135 $ CA par mois
Matériel: ≈ 47 800 USD à 197 000 USD68 000 $ CA à 280 800 $ CA

Les prix dans votre devise sont des estimations au taux du jour de la Banque du Canada. Toute la facturation se fait en CAD ou en USD.

Approche d’IA: LLM sur mesure
Coût d’exploitation du modèle: ≈ 176 USD par mois250 $ CA par mois

Échéancier par étape

Découverte: 2,9 à 3,4 semaines
Données et plan d’évaluation: 0,4 semaine
Maquettes approuvées: 2,9 à 4,9 semaines
Fonctions principales: 1,9 à 3,4 semaines
Développement complet: 1,4 à 2,4 semaines
Entraînement: 7,4 à 12,4 semaines
Tests et corrections: 0,4 semaine
Évaluation et tests adverses: 3,9 à 4,4 semaines
Examen de sécurité réussi: 3,9 à 4,4 semaines
Mise en ligne: 0,9 à 1,4 semaine
Production: 0,9 à 1,4 semaine

Hors de notre contrôle, et ajouté au calendrier

Livraison du matériel, après la commande: 2 à 6 semaines
Bac à sable et accès du fournisseur du système central: 1 à 4 semaines
Test d’intrusion par la firme de votre choix: 2 à 4 semaines

Modalités de paiement

Acompte 20 %: 54 680 $ CA à 83 380 $ CA
Découverte 1,3 %: 3 554,20 $ CA à 5 419,70 $ CA
Données et plan d’évaluation 6,9 %: 18 864,60 $ CA à 28 766,10 $ CA
Maquettes approuvées 1,3 %: 3 554,20 $ CA à 5 419,70 $ CA
Fonctions principales 4 %: 10 936 $ CA à 16 676 $ CA
Développement complet 2,7 %: 7 381,80 $ CA à 11 256,30 $ CA
Entraînement 20,9 %: 57 140,60 $ CA à 87 132,10 $ CA
Tests et corrections 1,3 %: 3 554,20 $ CA à 5 419,70 $ CA
Évaluation et tests adverses 13,9 %: 38 002,60 $ CA à 57 949,10 $ CA
Examen de sécurité réussi 8,7 %: 23 785,80 $ CA à 36 270,30 $ CA
Mise en ligne 1,3 %: 3 554,20 $ CA à 5 419,70 $ CA
Production 7,7 %: 21 051,80 $ CA à 32 101,30 $ CA
Retenue, 30 jours après la mise en ligne (10 %): 27 340 $ CA à 41 690 $ CA
Temps GPU pour l’entraînement et les tests, au coût: 1 200 $ CA. Facturé d’avance, au coût, en dehors des étapes
Serveur GPU pour l’IA, pour le modèle: 68 000 $ CA à 280 800 $ CA. Facturé d’avance, au coût, en dehors des étapes

Partir de cet exemple

Exemple de projetApplication webIAModèle open source

Assistant de procédures

Hypothétique. Ni un client ni un résultat.

// Le problème

Le personnel de première ligne fouille un lecteur partagé de procédures, de bulletins et de grilles de taux pour répondre à un membre, et trouve souvent une version périmée.

// Ce que nous bâtirions

Un assistant qui répond à partir des procédures en vigueur seulement et cite le document et la section, sur un modèle open source servi dans le propre compte AWS de la banque au Canada pour que les politiques internes y restent.

// Ce qu’il comprend

Procédures, bulletins et formulaires indexés, versions retirées exclues
Des réponses qui citent le document, la section et la date d’entrée en vigueur
Les responsables de chaque procédure voient les questions posées à son sujet
Un jeu d’évaluation de vraies questions de succursale, exécuté avant chaque mise à jour
Un modèle open source sur des GPU dans votre propre compte infonuagique

// Technologies

Llama ou Mistral (open source)
vLLM
PostgreSQL avec pgvector
Next.js
AWS Canada

// estimation

Développement: ≈ 95 400 USD à 146 000 USD, livré en 19 semaines au plus135 900 $ CA à 207 700 $ CA
Hébergement: ≈ 6 710 USD par mois9 550 $ CA par mois
Soutien: ≈ 2 500 USD par mois3 565 $ CA par mois

Les prix dans votre devise sont des estimations au taux du jour de la Banque du Canada. Toute la facturation se fait en CAD ou en USD.

Approche d’IA: Modèle open source
Coût d’exploitation du modèle: ≈ 6 530 USD par mois9 300 $ CA par mois

Échéancier par étape

Découverte: 2,9 à 3,4 semaines
Spécification et plan d’évaluation: 0,4 semaine
Maquettes approuvées: 2,4 à 3,4 semaines
Fonctions principales: 1,4 à 1,9 semaine
Développement complet: 0,9 à 1,4 semaine
Projet pilote fonctionnel: 2,9 à 4,9 semaines
Tests et corrections: 0,9 à 1,4 semaine
Mise en ligne: 0,9 à 1,4 semaine
Production: 0,9 à 1,4 semaine

Modalités de paiement

Acompte 20 %: 27 120 $ CA à 41 480 $ CA
Découverte 2,3 %: 3 118,80 $ CA à 4 770,20 $ CA
Spécification et plan d’évaluation 9,6 %: 13 017,60 $ CA à 19 910,40 $ CA
Maquettes approuvées 2,3 %: 3 118,80 $ CA à 4 770,20 $ CA
Fonctions principales 7,1 %: 9 627,60 $ CA à 14 725,40 $ CA
Développement complet 4,7 %: 6 373,20 $ CA à 9 747,80 $ CA
Projet pilote fonctionnel 29 %: 39 324 $ CA à 60 146 $ CA
Tests et corrections 2,3 %: 3 118,80 $ CA à 4 770,20 $ CA
Mise en ligne 2,3 %: 3 118,80 $ CA à 4 770,20 $ CA
Production 10,4 %: 14 102,40 $ CA à 21 569,60 $ CA
Retenue, 30 jours après la mise en ligne (10 %): 13 560 $ CA à 20 740 $ CA
Temps GPU pour l’entraînement et les tests, au coût: 300 $ CA. Facturé d’avance, au coût, en dehors des étapes

Partir de cet exemple

// questions

Ce qu’on nous demande à ce sujet.

Pourquoi pas un modèle de pointe pour la LRPC?

Pour deux raisons : les opérations des clients ne devraient pas quitter la banque, et votre historique d’alertes contient des tendances propres à votre portefeuille. Un modèle affiné sur cet historique et exécuté dans votre centre de données répond aux deux.

Le modèle fermera-t-il des alertes tout seul?

Non. Il classe et explique; un analyste traite chaque alerte que la politique exige de traiter. C’est vous qui décidez, selon votre propre politique, si les alertes les moins bien classées sont traitées autrement.

Et les politiques retirées?

Chaque document porte ses dates d’entrée en vigueur et de retrait, les versions retirées sont enlevées de l’index, et chaque réponse affiche la date de sa source pour que le personnel voie qu’elle est à jour.

Retour au secteur: Services bancaires À propos du service: Agents et modèles d’IA

// la suite

Ce n’est pas tout à fait votre projet?

Décrivez-nous ce que vous avez en tête. Nous vous reviendrons avec une fourchette et les questions qui permettront de la resserrer. Ou réservez un appel pour en discuter.

Lancer un projet Réserver un appel