Finotor : Plateforme de gestion financière propulsée par l'IA

À PROPOS DU CLIENT

Finotor est une startup fintech fondée en 2008. L'entreprise propose une plateforme de gestion financière qui intègre l'intelligence artificielle pour automatiser et optimiser les processus financiers des entreprises.

DÉFI

Le projet présentait deux défis majeurs : la préparation des données et l'optimisation du modèle d'IA. Les données financières provenaient de sources multiples avec des formats non standardisés, des montants et dates incohérents, et des historiques incomplets. Le système devait assurer un traitement précis en temps réel tout en respectant les normes de l'industrie financière.

TYPE DE DONNÉES

Notre système traite des transactions financières brutes, composées de différents éléments qui doivent être analysés et classifiés.

Données d'entrée Les transactions apparaissent comme des lignes bancaires contenant :

• Une description bancaire non standardisée
• Un montant
• Une date de transaction
• Des informations bancaires (BIC, IBAN, etc.)

Éléments à prédire Pour chaque transaction, nous devons identifier quatre informations clés :

Type de transaction Cela implique de classifier la nature de l'opération : virement, prélèvement, paiement par carte. Cette information est généralement présente dans la description mais sous différentes formes selon les banques.

Catégorie Nous devons déterminer l'objet de la transaction : salaire, loyer, fournitures, etc. Cette catégorisation doit être faite en analysant le contexte complet de la transaction, la description seule n'étant pas toujours suffisante.

ID Client et Fournisseur Pour chaque transaction, nous devons identifier :

• L'entité client effectuant ou recevant le paiement
• L'entité fournisseur concernée Ces identifications nécessitent de faire correspondre les descriptions bancaires, souvent mal standardisées, avec notre base de données d'entités.

Notre principal défi réside dans la non-standardisation des données bancaires et la nécessité de comprendre le contexte de chaque transaction pour une classification précise.

SOLUTION

Notre solution repose sur trois fonctionnalités principales :

Le rapprochement bancaire automatique fait correspondre intelligemment les transactions et détecte les anomalies en temps réel, réduisant significativement les erreurs de traitement.

L'analyse prédictive génère des recommandations basées sur les données historiques et permet le suivi des KPI via des tableaux de bord.

La gestion de trésorerie optimise les flux financiers avec des alertes en temps réel et des suggestions automatisées.

PROCESSUS

Notre développement s'est structuré en trois étapes :

Préparation des données

• Développement d'un pipeline de nettoyage pour standardiser les formats et les données
• Gestion des valeurs manquantes et unification des catégorisations
• Validation rigoureuse pour assurer l'intégrité des données financières

Entraînement du modèle

• Tests comparatifs entre LLM, XGBoost et réseau neuronal
• Sélection finale des réseaux neuronaux pour leurs meilleures performances
• Optimisation continue des hyperparamètres

Phase de test

• Validation croisée sur des jeux de données représentatifs
• Tests en conditions réelles avec des métriques financières spécifiques
• Ajustements itératifs basés sur les retours d'expérience

MÉTHODOLOGIE

Notre équipe combine diverses expertises essentielles :

• Ingénieurs IA spécialisés en Machine Learning

• Product Owner

• Lead developer

Le développement s'est déroulé en trois phases :

Une phase d'exploration a permis de comparer différentes approches d'IA et a validé la supériorité des réseaux neuronaux pour notre cas d'usage.

Le développement itératif a permis d'affiner progressivement les performances du système en conditions réelles.

Le déploiement s'est fait graduellement pour assurer une bonne adoption par les utilisateurs.

COMPARAISON DES MODÈLES

Notre analyse comparative a évalué trois approches : réseaux neuronaux, XGBoost et LLM. Les réseaux neuronaux se sont clairement démarqués avec des performances supérieures sur tous les aspects clés :

Pour la classification du type de transaction, les réseaux neuronaux atteignent 98,3% de précision avec seulement 0,22% de cas incertains, surpassant LLM (92%) et XGBoost (96%).

Sur l'identification des catégories, qui est plus complexe, nos réseaux neuronaux maintiennent 84,44% de précision, contre 80% pour XGBoost et seulement 59% pour LLM. En excluant les cas incertains (seuil de confiance >65%), la précision monte à 92,9%.

L'identification des ID clients et fournisseurs représentait le plus grand défi. Nos réseaux neuronaux atteignent respectivement 76,51% et 77,30% de précision, loin devant XGBoost (65% et 48%) et LLM (6,67% et 31,65%).

Un point crucial : nos réseaux neuronaux génèrent significativement moins de cas incertains que XGBoost tout en maintenant une précision supérieure. Cette combinaison de haute précision et faible incertitude est idéale pour une application financière nécessitant fiabilité et exhaustivité.

Cette analyse approfondie confirme la supériorité des réseaux neuronaux pour notre cas d'usage, offrant le meilleur compromis entre précision, certitude et couverture des différents aspects de classification.

RÉSULTATS

Le système atteint 98% de précision dans ses prédictions et traite plus de 90 000 transactions. L'automatisation couvre 85% des processus financiers avec une réduction de 75% des erreurs.

PERSPECTIVES

Nous travaillons actuellement sur l'intégration d'un chatbot pour le support client et le développement de nouvelles fonctionnalités d'automatisation pour améliorer la plateforme.