Le KYC accessible à tous : offrir un accès sécurisé et en libre-service aux insights clients

Bonjour. Bienvenue à tous. Bonjour, bon après-midi ou bonsoir, selon l'endroit d'où vous nous rejoignez.

Bienvenue à ce webinaire. Nous allons attendre quelques minutes pour permettre à d'autres participants de se connecter. Nous voyons que certains se connectent.

Il est donc 8 h dans mon fuseau horaire, 11 h sur la côte Est, quel que soit l'endroit d'où vous nous rejoignez. Nous sommes donc au début de l'heure. Nous allons attendre encore quelques minutes avant de commencer véritablement.

Nous vous remercions donc de votre patience. Nous voulons simplement nous assurer que tout le monde ait la possibilité de se connecter.

Donnez-nous encore environ deux minutes, et nous allons commencer. Bonjour à tous. Bienvenue.

Je vois que quelques personnes supplémentaires rejoignent le webinaire. Merci beaucoup. Nous allons attendre encore environ une minute, voire deux minutes.

Je vois que quelques personnes se joignent à nous. Nous voulons donner à tout le monde la possibilité de participer. Ne vous inquiétez pas, nous avons largement le temps de passer en revue tout le contenu.

Mais bienvenue à tous. Nous allons commencer dans environ une minute. Merci à tous.

Encore une fois, bonjour, bon après-midi ou bonsoir, selon l'endroit d'où vous nous rejoignez. Merci à tous ceux qui participent à cette session. Nous allons attendre encore une trentaine de secondes.

Je vois que quelques personnes viennent de nous rejoindre, et nous allons donc pouvoir commencer. Ne vous inquiétez pas, nous avons largement le temps de traiter tout le contenu, et je pense même que nous pourrons vous laisser partir plus tôt que prévu. Encore une fois, merci beaucoup d’être là, et nous allons nous mettre au travail très rapidement.

Bon, les gars. Bienvenue. On est prêts à commencer.

Je vois que nos derniers participants viennent de se connecter. Bonjour à tous. Bienvenue à ce webinaire.

Je suis ravi de vous accueillir tous ici depuis… Ou plutôt, bonsoir, d’où que vous nous rejoigniez. Je voudrais aborder quelques points avant de passer la parole à notre intervenant et au reste du panel. Donc, au programme d’aujourd’hui, je vais passer en revue quelques points d’organisation, simplement pour que tout le monde soit au courant des questions du webinaire, de la manière d’y répondre et d’autres détails de ce genre.

J'aborderai ce sujet dans un instant. Je vous présenterai ensuite notre équipe. Vous pouvez déjà en voir certains sur le chat ou dans la fenêtre.

Nous allons commencer par les présentations afin que vous sachiez qui est présent. Ensuite, nous aborderons le sujet principal de cette réunion, à savoir notre Actian AI Analyst. Je vais vous en donner un bref aperçu, puis nous passerons à la démonstration.

Nous terminerons cet appel par un appel à l'action. Nous vous avons préparé un petit devoir. Je plaisante, il n'y a pas de devoir, mais nous voulons nous assurer que vous disposiez de toutes les informations nécessaires sur notre Actian AI Analyst, puis nous passerons en revue vos questions et y répondrons tout au long de ce webinaire.

Passons donc aux points d'ordre. Pour ceux d'entre vous qui participent pour la première fois à un webinaire Actian, nous allons malheureusement vous laisser en mode « muet ». Le son est donc coupé ; ne vous inquiétez pas si vous n'entendez rien.

Il s'agit d'une session sur Zoom. Vous pouvez poser des questions tout au long de la session. Nous répondrons à vos questions.

Un panel est à votre disposition pour répondre à vos questions. Nous avons prévu une fenêtre dédiée aux questions-réponses pour ceux qui découvrent Zoom. Vous pouvez accéder à cette fenêtre depuis le menu situé en bas de l'écran.

Vous devriez voir trois points et la mention « Plus ». Vous pouvez cliquer dessus pour ouvrir la fenêtre de questions-réponses. Vous pouvez saisir vos questions en direct tout au long de cette session, et nous serons là pour y répondre.

Nous enregistrons la session, et cet enregistrement vous sera envoyé par la suite. La session durera environ 45 minutes, peut-être un peu moins, ce qui nous laissera largement le temps de répondre à vos questions, d’aborder tous les points au programme et de vous faire gagner un peu de temps dans votre journée. Et encore une fois, toutes les ressources dont nous parlerons, l’enregistrement ainsi que tout document complémentaire, seront mis à la disposition des participants après la session.

Et pour finir, encore une petite chose. Si vous rencontrez des difficultés techniques ou si vous avez besoin de me contacter pour que je vous aide à les résoudre, n'hésitez pas à utiliser la fonctionnalité de chat située en bas de la page. Vous verrez la fenêtre de chat.

Si vous ne pouvez pas, vous trouverez mon adresse e-mail pour me contacter, et je pourrai répondre à toutes vos questions. Très bien. Faisons connaissance avec notre équipe.

Je suis donc ravi de vous présenter notre intervenant du jour, Alex Seidler. Il animera cette présentation et sera secondé tout au long de ce webinaire par deux ingénieurs commerciaux exceptionnels. Phil Wall et David Neideffer seront à votre disposition dans la fenêtre de discussion dédiée aux questions-réponses.

Encore une fois, si vous avez des questions ou si un point vous vient à l'esprit, n'hésitez pas à les saisir dans la zone « Questions-Réponses » et nous ne manquerons pas d'y répondre. Sans plus attendre, je cède la parole à Alex.

Alex, à toi. Merci beaucoup, John, pour cette présentation. Et bonjour à tous, ou bonsoir, selon votre fuseau horaire.

Et merci beaucoup d’être avec nous aujourd’hui. Au cours des dernières années, nous avons assisté à un véritable engouement pour l’IA générative et l’assistance par l’IA, tant dans le monde de l’entreprise que dans la vie quotidienne. Aujourd’hui, presque toutes les plateformes prétendent qu’il suffit de dialoguer avec ses données, mais dans un secteur hautement réglementé comme celui de la banque, le véritable défi ne réside pas dans la génération de réponses.

Le véritable défi consiste à déterminer si l'on peut réellement se fier à ces réponses. Cela est particulièrement vrai dans le cadre des enquêtes financières liées à la lutte contre le blanchiment d'argent et à l'obligation de connaissance du client, où la définition métier, gouvernance , la traçabilité et le contexte gouvernance . Aujourd’hui, nous souhaitons donc vous montrer comment un membre d’une équipe de conformité peut accélérer son enquête grâce à l’analyste Action AI, qui s’appuie sur des données fiables, une compréhension métier, des définitions de métriques, gouvernance , ainsi que le contexte de notre activité.

Imaginons donc que je sois responsable de la conformité en matière de criminalité financière au sein d’une banque de détail. Demain matin, nous avons une réunion du comité de conformité en vue d’un prochain audit réglementaire. L’un de nos analystes a repéré un élément potentiellement préoccupant.

Plusieurs clients classés comme présentant un faible risque génèrent une activité transactionnelle proche ou supérieure aux seuils d'activité suspecte. Or, en théorie, cela ne devrait pas se produire. Si des clients à faible risque se comportent soudainement comme des clients à haut risque, il n'y a que quelques possibilités.

La classification est obsolète, les données d'intégration sont incomplètes, le processus d'enrichissement a échoué ou des comportements suspects apparaissent plus tôt que prévu. Le problème, c'est que l'analyse de ces éléments prend généralement des heures, voire parfois des jours. Les équipes doivent donc consulter plusieurs tableau de bord, requête systèmes, harmoniser des définitions contradictoires et reconstituer manuellement le puzzle de l'enquête.

Voyons donc comment notre agent analyste IA peut nous aider dans ce cas précis. Passons donc à la démo. Ce que nous pouvons faire dès maintenant, c'est lancer notre démo.

C'est assez simple, en fait. Pour commencer notre enquête, nous devons mieux comprendre quels sont les clients classés comme présentant un faible risque, mais qui dépassent le seuil de signalement d'activité suspecte (SAR), par exemple. Demandons donc à nos agents : par exemple, avons-nous… voilà, une nouvelle tâche.

Par exemple, voilà. Analyste bancaire… Je vérifie ça avec mon agent en ce moment même, car on peut avoir plusieurs analystes, et on reviendra plus tard sur la manière dont on peut mettre cela en place. Mais pour commencer notre analyse, nous devons mieux comprendre quels clients sont classés comme présentant un faible risque.

Si l'on se tourne vers l'analyste Action AI, on peut lui poser la question suivante : « Avons-nous des clients classés comme présentant un faible risque qui ont dépassé le seuil SAR au cours des 30 derniers jours ? » Je vais donc simplement saisir cette requête, et comme vous pouvez le voir, mon analyste IA se met au travail. Il élabore actuellement un plan d'analyse, et nous allons le parcourir étape par étape pour répondre à ma question.

Cela nous permettra de traiter nos données, de les agréger, de collecter des données au niveau des clients, de créer des graphiques et d'élaborer un rapport de conformité. C'est donc cela que nous attendons de l'IA : pas seulement qu'elle effectue des recherches dans des tableaux bruts en essayant de deviner ce que nous voulons dire. Nous avons besoin d'une IA capable de comprendre le contexte de notre activité.

Ce que signifie un client à faible risque : un facteur de risque inférieur à 12. Comment notre exposition au SAR est calculée, quels seuils s'appliquent et quel ensemble de données fiables doit être utilisé. Cette analyse pouvant prendre une minute ou deux, nous l'avons pré-générée ici.

Voyons donc les résultats. Comme vous pouvez le constater, plusieurs invites sont nécessaires pour obtenir l'entonnoir. Mais juste pour vous montrer : si vous consultez le résumé exécutif, grâce à l'analyste Action AI, nous ne sommes pas bloqués dans la recherche de données ni dans la validation des données pertinentes au regard des règles et réglementations.

Nous ne joignons pas de tables et n'écrivons pas de code SQL. Nous consacrons notre temps précieux à l'analyse des résultats et à la définition de la prochaine étape. Et c'est particulièrement intéressant car, comme vous pouvez le constater, vous disposez d'un résumé exécutif, de tous les indicateurs clés répondent à ma question précédente, de la répartition des facteurs de risque, d'observations analytiques notables, ainsi que des mesures de conformité recommandées pour vous aider à passer à l'étape suivante.

Et vous pouvez disposer d’informations spécifiques, comme un rapport dédié, etc. Et tout a été créé en deux minutes, car si vous revenez ici, si je reviens ici, par exemple, pour revenir au résultat concernant la première prévision à faible risque, comme vous pouvez le voir, le système commence à générer mon rapport, et je vais voir le même résultat qu’auparavant, car tout est une question de contexte, etc. Et comme vous pouvez le voir, il rédige et effectue le travail tout seul.

C'est donc là que les données gérées et replacées dans leur contexte prennent toute leur importance. Le contexte, c'est la compréhension de l'activité, nos définitions, nos indicateurs clés de performance. Sans gouvernance IA, notre modèle de langage de grande envergure (LLM) pourrait facilement utiliser des définitions incohérentes, requête mauvais ensemble de données, produire des interprétations contradictoires, voire inventer de toutes pièces une analyse entière en se basant sur quelque chose qu'il aurait lu sur Reddit.

Et comme vous pouvez le voir, c'est exactement le même résultat que celui que j'avais pré-généré auparavant, et tout fonctionne très bien. Je ne triche pas. C'est une démo en direct.

Revenons donc là-dessus. Ou continuons comme ça, parce que je vais continuer à vous poser des questions. C'est donc pour cela que les entreprises ont recours à Action AI Analyst.

Nous gagnons utilisateur nos utilisateur car nos analyses et notre raisonnement reposent entièrement sur la définition de votre entreprise, sa gouvernance , la définition de ses indicateurs clés de performance (KPI) et, surtout, son contexte. Maintenant que nous commençons à constater une certaine inquiétude au sein de notre clientèle, approfondissons un peu plus la question : passons de la détection des problèmes à la hiérarchisation de nos investigations. Tournons-nous donc vers l’Action AI Analyst et posons-lui ce genre de question.

Montrez-moi les cinq principaux clients, classés par identifiant, présentant l'écart le plus important entre leur classification KYC et leur comportement transactionnel. Et comme il dispose d'une mémoire, nous allons poursuivre le travail pour obtenir l'analyse finale des causes profondes, etc., afin de prendre la bonne décision pour vous. Comme vous pouvez le constater, l'agent d'analyse IA se met immédiatement au travail pour analyser nos données.

Pour répondre à cette question, le système a exécuté deux requêtes simultanément à l'aide de SemQL, une couche d'abstraction au-dessus de SQL. Tout d'abord, comme vous pouvez le voir ici, il a extrait l'ensemble des informations détaillées au niveau client, comprenant un score de non-concordance calculé, une étiquette KYC TL et le dépassement, par rapport au seuil de 10 000 SAR, pour chaque client. Ensuite, il a préparé un ensemble de données classées, spécialement formaté pour la visualisation sous forme de graphique.

Le résultat est ensuite présenté à la fois sous forme de graphique et de tableau détaillé. Je vais vous montrer ce qui suit, car je l'ai déjà généré ici ; en gros, vous allez voir ces deux graphiques. Maintenant que le résultat s'affiche, nous pouvons constater qu'une méthodologie claire a été appliquée pour classer les clients.

Bon, c'est parti. Si je m'en tiens à la méthodologie du « mismatch score », voici ce que révèlent les données. Le « mismatch score » correspond donc au montant du SAR multiplié par 12, dans le cadre du facteur de risque.

Cette analyse compare la classification KYC de chaque client à son exposition aux SAR sur 30 jours. Les cinq clients partagent le facteur de risque n° 1, qui correspond au niveau de vérification le plus bas, à savoir une simple diligence raisonnable. Aucune diligence raisonnable renforcée n'est en place, et chacun d'entre eux a néanmoins dépassé le seuil de 10 000 SAR, avec des scores allant de 121 797 à 121 997.

Voilà exactement ce que nous attendons de l'IA : qu'elle comprenne le contexte de notre activité, et pas seulement les données brutes du tableau. Le facteur de risque client est faible, inférieur à 12, comme vous pouvez le voir ici. Aucune vérification approfondie de l'identité (EDD) n'est requise.

Exposition SAR : total glissant sur trois jours issu de notre modèle de synthèse pré-agrégé. Seuil de signalement fixé à 10 000, appliqué à tous les niveaux de risque. Il s'agit par ailleurs d'un ensemble de données fiables, à savoir la synthèse des transactions de la couche « gold », et non enregistrement bruts de transactions.

C'est formidable, car au lieu d'examiner manuellement des centaines d'alertes potentielles, je peux immédiatement me concentrer sur les cinq clients présentant l'écart le plus important entre leur classification KYC officielle et leur comportement transactionnel observé. Nous pouvons désormais constater que ce client justifie une vigilance renforcée. Si vous continuez ainsi…

C'est assez intéressant en raison de ce qui semblait être une tendance structurelle au niveau du client, qui devrait être signalée à notre cellule de renseignement financier. Il s'agit là d'informations exploitables que j'ai pu recueillir en quelques minutes grâce à Action AI Analyst. Encore une fois, ce n'est pas l'IA qui collecte ces données.

Il s'agit ici d'une IA qui interprète le contexte métier, définit la méthodologie d'analyse et met en évidence les écarts en fonction de nos règles métier et de nos processus. Continuons donc. Je me demande s'il existe un canal spécifique que les clients utilisent dans le cadre de cette activité ?

Posons-lui donc une question pour continuer à obtenir des informations. Comme vous pouvez le voir, pour l'instant, le système fonctionne toujours et affiche le résultat ; il va m'afficher le résultat. En attendant cela, je peux lui demander quels canaux de transaction sont à l'origine de cette exposition.

Comme vous pouvez le constater, cela peut parfois prendre un certain temps, car plus vous aurez de données, plus il vous faudra de temps pour obtenir des résultats. Nous reviendrons donc plus tard sur la manière dont nous pouvons améliorer ce type de processus et sur la façon dont nous avons obtenu ce résultat. Mais passons à la suite.

Pour l'instant, limitons-nous à la démonstration. Commençons par la première. Quelles sont les transactions à l'origine de cette exposition ?

Ainsi, l’Action AI Analyst établit automatiquement un lien entre ce client et cette transaction en fonction des différents canaux dont nous disposons dans le secteur bancaire, tels que les dépôts et retraits d’espèces aux distributeurs automatiques, les virements internationaux entrants et sortants, la carte de débit Zelle, etc. Et comme vous pouvez le voir ici, je dispose de toutes ces informations. Il s’agit d’informations exactes concernant son activité bancaire habituelle : aucun achat au détail, aucun paiement de factures, aucune transaction classique par carte de débit.

Ainsi, tableau de bord traditionnels tableau de bord très efficaces pour présenter les indicateurs clés, les KPI et les informations stratégiques, mais ils ne répondent qu’à la question pour laquelle ils ont été conçus. Lorsque utilisateur métier utilisateur les analystes se posent des questions plus approfondies ou souhaitent aborder les données sous un angle différent, ils sont contraints de demander la création d’un nouveau rapport, de télécharger les données et de réaliser eux-mêmes l’analyse. L’analyse est rarement linéaire.

C'est ce qui rend l'IA conversationnelle si puissante, car elle permet utilisateur poser les questions qui n'ont pas encore trouvé de réponse. Et c’est donc la dernière chose que je voulais vous montrer pour mener une analyse des causes profondes, car, d’accord, on effectue quelques recherches, on obtient des informations plus rapidement que prévu ; en effet, ce que je vous montre aujourd’hui pourrait prendre des semaines pour obtenir ce genre d’informations fiables. Or, en moins de 10 à 15 minutes, j’ai tout fait.

Approfondissons maintenant notre analyse et posons-nous la question suivante : d'accord, mais pourquoi ? Pourquoi cela s'est-il produit ? Nous pouvons donc nous demander pourquoi ce client avait été initialement classé comme présentant un faible risque.

C'est là que la plupart des systèmes d'IA échouent généralement. Cette question mêle la nature prédictive de l'IA au raisonnement déterministe. L'analyste Action AI est capable de répondre à ma question car il doit prendre en compte le contexte de mon entreprise, notamment nos politiques d'intégration, nos procédures KYC et AML, notre processus d'enrichissement des données, notre environnement de données d'entreprise, la définition de nos indicateurs et KPI, notre glossaire métier, ainsi que nos connaissances et notre contexte métier.

C'est donc pour cela qu'on peut obtenir ce genre de résultat directement ici. En examinant maintenant le résultat, je constate notamment que tous les clients sont basés aux États-Unis, comme vous pouvez le voir. Ils utilisent un compte particulier, et ces clients ont été enregistrés le 25 février 2021.

Quelles sont les implications pour l'enquête ? Le modèle KYC a peut-être été détourné. Les inscriptions de 2022 et 2024 se concentrent autour de 23 000 dollars à ce titre.

C'est donc assez intéressant, là. 20 $ par an, cela laisse supposer une opération d'inscription qui s'étend sur plusieurs années, plutôt qu'un événement ponctuel. Désolé, il ne s'agit pas de dollars, mais de personnes.

Et il se peut qu'il manque un champ de justification pour la classification KYC dans notre modèle d'intégration. Ainsi, avec l'« Action Analyst » ou « Action AI Analyst », notre analyste IA, le système ne se contente pas de nous signaler qu'un client semble suspect. Il explique en effet pourquoi ce client s'inscrit dans notre environnement commercial, notre contexte d'activité, et ce, en fonction de nos règles métier.

C'est ce contexte enrichi, grâce à des données et des connaissances gérées, qui distingue Action AI Analyst d'un IA générative ou d'une solution développée en interne. C'est pourquoi les entreprises se tournent vers Action AI Analyst pour en faire leur système d'analyse de données de confiance à l'échelle de l'entreprise, dédié à l'analyse conversationnelle. Donc, si vous voulez voir… Je suis encore en train de travailler dessus… Ça fonctionne toujours, vous pouvez donc constater que j’obtiens exactement le même résultat pour cette première question, et je peux lui poser la troisième question.

Nous n'aurons pas le temps de passer en revue la dernière question, j'en suis vraiment désolé. Mais bon, vous avez vu le résultat, et c'est juste pour vous montrer que c'est exactement le même genre de résultat. Parce que ce n'est pas une illusion, comme je vous l'ai expliqué tout à l'heure.

Comme vous pouvez le voir ici, ce sont les canaux de virement bancaire qui déterminent l'exposition, et ici, c'est exactement… Laissez-moi vous montrer. D'accord.

Montre-moi les cinq meilleurs clients. C'était celui-là. Désolé.

C'est parti. On a donc les mêmes informations. Voilà.

Il ne s'agit donc pas d'inventer des informations. Alors, comment l'analyste d'Action AI peut-il devenir un expert de confiance et bien informé sur notre activité ? Comment parvient-il à comprendre notre activité, notre réglementation, nos règles et nos données ?

C'est là que nous disposons d'une interface dédiée appelée « Studio », qui s'affiche alors à l'écran, et où nous définissons le contexte de notre système à l'aide de notre modèle sémantique. Passons donc dans Studio. Robi Agent.

Et comme vous pouvez le voir, je suis sur la page d'administration. C'est sur cette page d'administration que je peux créer plusieurs agents, car pour l'instant, elle est consacrée au KYC et à la lutte contre le blanchiment d'argent (AML), mais je peux créer plusieurs agents pour n'importe quel type d'activité ou pour tout autre besoin. C'est plutôt intéressant.

Concentrons-nous donc sur l'analyse bancaire. À ce stade, Action AI Analyst Studio a défini le cadre de base de notre système d'analyse conversationnelle à travers plusieurs perspectives différentes, comme celle-ci. C'est parti.

Vous pouvez donc lui donner plusieurs instructions, qui fourniront à votre analyste le contexte et les indications nécessaires pour réaliser une meilleure analyse. Cela vous aidera à obtenir les bons résultats. Plus vous donnerez d'instructions, meilleurs seront les résultats.

Nous disposons également des modèles. C'est là que nous nous connectons à vos données, à leurs dimensions et à leurs mesures. Vous pouvez ainsi sélectionner toutes les données auxquelles vous êtes connecté, et nous disposons d'un connecteur dédié à cet effet.

Comme vous pouvez le voir, je suis actuellement connecté à Snowflake via ces tables. C'est assez intéressant. Nous avons, pardon, les indicateurs.

Ces indicateurs ont pour but de vous permettre de comprendre votre activité, vos règles de calcul, vos règles métier, vos définitions, ainsi que la signification de chaque indicateur, et cet analyste peut exploiter toutes ces informations. Le dernier élément, particulièrement intéressant, est le glossaire, car celui-ci sert à enrichir le contexte avec les termes de votre glossaire auxquels l'analyste doit se référer. Il parle ainsi le même langage que vous, et vous pouvez configurer tout ce que vous souhaitez.

Enfin, vous pouvez gérer vos droits d’accès, car comme vous pouvez le constater, en matière de lutte contre le blanchiment d’argent (AML) et de connaissance du client (KYC), il arrive parfois que certaines personnes aient besoin d’une certification pour accéder à ce type de données ; vous pouvez donc créer des agents ayant accès à des personnes spécifiques. Toutes ces fonctionnalités combinées permettent à notre Action AI Analyst de comprendre notre activité et notre modèle sémantique de données. Ce sont ces informations qui permettent à notre système d’analyse IA conventionnel de comprendre notre activité, nos concepts et nos relations, ou plus simplement, notre contexte.

C'est ce qui permet à notre IA de raisonner en termes de sens métier plutôt que de se contenter de générer des requêtes SQL. Ce que nous avons présenté jusqu'à présent est le résultat d'une base sémantique et analytique bien maîtrisée. Mais à ce stade, la plupart des entreprises posent généralement la même question.

Dans quelle mesure tout cela est-il difficile à mettre en œuvre ? En effet, traditionnellement, la création d’un modèle sémantique, d’un glossaire, d’un schéma des relations, gouvernance , d’un contexte analytique et d’une couche métier compatible avec l’IA nécessite beaucoup de temps, d’expertise et de configuration manuelle. Et, pour être honnête, cette complexité a toujours constitué l’un des principaux obstacles à l’adoption de l’IA en entreprise.

C'est précisément pour cette raison que nous vous présentons notre agent Steward, et comme vous pouvez le voir ici, il s'agit d'un agent à part entière. C'est l'agent au sein de l'agent. Plutôt que de configurer manuellement chaque couche à partir de zéro, les entreprises peuvent désormais décrire le problème métier qu'elles souhaitent résoudre, et l'agent Steward contribue à accélérer la mise en place, en arrière-plan, de la gouvernance sémantique gouvernance analytique nécessaires.

Au lieu de vous montrer un énième écran de configuration statique, j’aimerais vous présenter une courte vidéo d’une minute et 30 secondes pour vous montrer toute la puissance de cet agent Steward, comment vous pouvez résoudre le problème, et comment nous pouvons mettre cela en place plus rapidement et plus efficacement. C’est parti ! Dans cet exemple, nous partons d’un environnement non vide.

utilisateur décrire le cas d'usage analytique cas d'usage souhaite mettre en place, et l'agent Steward l'aide à connecter les sources de données pertinentes, à identifier les concepts métier, à proposer des relations sémantiques, à générer gouvernance et à préparer le contexte analytique compatible avec l'IA nécessaire à une analyse telle que celle que nous avons présentée aujourd'hui. L'objectif n'est pas de remplacer gouvernance , mais de simplifier et d'accélérer considérablement la mise en œuvre.

Je vous montre donc le résultat : comment nous pouvons construire en cinq minutes, voire dix minutes, tout un modèle sémantique et commencer à créer de la valeur dans votre contexte et au sein de votre entreprise. Vous pouvez désormais vous connecter au modèle. Il va créer la sémantique.

Nous avons déjà créé le modèle sémantique, et comme vous pouvez le voir, quelle est la croissance de mes ventes ? Je requête , j'obtiens toutes les informations, puis je requête publie simplement pour mon utilisateur final. C'est vraiment simple.

Ce que nous avons présenté aujourd’hui… Laissez-moi vous l’expliquer. C’est parti. Ce que nous avons présenté aujourd’hui, ce n’était pas seulement une analyse IA classique.

Il s'agissait d'une analyse et d'un raisonnement IA fiables, s'appuyant sur un contexte d'entreprise régulé. En quelques heures seulement, Action AI Analyst peut devenir le pilier de votre stratégie d'IA pour les données et l'analyse d'entreprise. Cette IA fiable n'est pas simplement générative, mais déterministe : elle allie compréhension sémantique, gouvernance, traçabilité, données fiables et gestion assistée par l'IA.

Voici Action AI Analyst, l'avenir de l'IA d'entreprise pour les données et l'analyse. Merci beaucoup à tous. Je laisse la parole à John, qui va vous présenter la suite, puis nous passerons à la séance de questions-réponses juste après, si vous le souhaitez. Bravo, Alex.

C'est vraiment sympa. Je sais que vous avez quelques questions. Notre équipe est prête à y répondre.

Encore une fois, si vous avez d’autres questions, n’hésitez pas à les saisir dans la fenêtre « Questions-Réponses » ; nous poserons en direct à Alex certaines des questions qui nous parviennent. Passons maintenant aux prochaines étapes ou aux appels à l’action, d’accord ? J’ai plaisanté tout à l’heure en parlant de « devoirs ».

Mais sérieusement, si vous avez besoin de plus d'informations ou de précisions, toute l'équipe est là pour vous aider. Je tenais donc à vous communiquer personnellement, John Lysenslee, mon adresse e-mail. Si vous avez des questions ou souhaitez obtenir des informations complémentaires, n'hésitez pas à me contacter, ou à contacter Alex, notre intervenant, à son adresse e-mail.

Nous avons également Phil. Encore une fois, merci, Phil, pour… Je crois t'avoir vu répondre à l'une des questions qui nous ont été posées. Phil est donc prêt à intervenir.

David Neideffer est également présent pour répondre à vos questions. Ainsi, si vous avez des questions ou si vous avez besoin d'informations supplémentaires, n'hésitez pas à nous contacter. Diapositive suivante.

Alors, que pouvez-vous faire d'autre ? Il s'agit donc d'une série en trois parties. Chaque partie est conçue pour être autonome.

Aujourd'hui a eu lieu la première session consacrée à notre outil Actian AI Analyst. D'autres sessions sont prévues prochainement. Que vous vous y soyez inscrits ou non, nous allons, plus tard ce mois-ci, en juin, nous concentrer sur la compréhension de vos clients.

Mais comment mettre cela en contexte ? Betty va nous présenter notre plateforme Actium Data Intelligence. Puis, plus tard en juillet, Scarlet abordera le thème de observabilité des données.

Donc, si vous n’y avez pas encore participé ou si vous ne vous êtes pas encore inscrit, n’hésitez pas à vous inscrire à ces événements. Et pour conclure, avant de passer à d’autres questions (diapositive suivante, Alex), je tiens à souligner, comme vous l’avez remarqué, que notre Actian AI Analyst est extrêmement simple d’utilisation. Vous trouverez une multitude d’informations sur notre site web, et nous vous proposons également un essai gratuit de 14 jours.

Il est donc très facile de se rendre sur le site web et de s'inscrire à la période d'essai. Vous disposez de 14 jours pour tirer parti de cette technologie. Et je pense que vous vous rendrez rapidement compte à quel point il est facile de commencer à travailler avec votre modèle sémantique, et d'utiliser votre outil d'analyse pour poser des questions concrètes et obtenir des informations concrètes.

Pour que tout le monde puisse profiter de cette version d'essai. Voilà donc notre appel à l'action. Enfin, la diapositive suivante sera consacrée aux questions-réponses.

Alors, Alex, je crois que nous avons quelques questions, si cela ne te dérange pas d'y répondre. Et encore une fois, pour les participants qui suivent ce webinaire, si vous avez des questions, n'hésitez pas à les poser. Alex, en voici une qui vient d'arriver.

On dirait que ça concerne les bases de données et les entrepôts de données. La question est : « Quelles bases de données et quels entrepôts de données sont support Actian AI Analyst ? » Notre prise en charge est assez étendue : Snowflake, BigQuery, Databricks, Redshift, Azure, Synapse, Microsoft Fabric, c'est-à-dire l'ensemble des technologies de données modernes, ainsi que les bases de données relationnelles telles que PostgreSQL, MySQL, MariaDB, SQL Server, ClickHouse, MotherDuck, et même les fichiers CSV.

Et aussi notre propre plateforme Actian. Donc oui, ça couvre un champ assez large. Génial.

Et nous continuons à développer de nouveaux connecteurs. C'est formidable. Merci.

Encore une fois, si vous avez d'autres questions, n'hésitez pas à les poser. On dirait que la sécurité est toujours une priorité, Alex, je crois. Celle-ci porte sur la sécurité de nos données : sont-elles en sécurité ?

Est-ce que les données sortent, en quelque sorte, de nos quatre murs, c'est ça ? Est-ce qu'elles quittent notre système ? Oui.

Alors, première question : nos données sont-elles en sécurité ? Oui, bien sûr. Et sortent-elles de notre système ?

Non, bien sûr. Vos données ne sont donc jamais copiées sur le système Actian. Le fournisseur d'IA n'a accès qu'aux lignes spécifiques renvoyées par une requête, et non à l'intégralité de votre base de données, et aucune donnée n'est utilisée pour entraîner les modèles entraîner .

Les connexions sont donc en lecture seule et chiffrées via TLS, et la plateforme est certifiée ISO 27001:2022. Parfait. Je crois avoir abordé ce sujet de manière très générale lorsque j'ai parlé de l'essai gratuit de 14 jours, mais la question porte sur la valeur ajoutée, n'est-ce pas ?

En combien de temps vais-je en tirer profit ? La question est donc la suivante : combien de temps faut-il pour mettre cela en place, et quand vais-je commencer à en tirer profit ? Très bonne question.

La seule configuration nécessaire consiste donc à se connecter à votre source de données, puis à créer la couche sémantique. Et comme vous pouvez le constater, nous y sommes parvenus en cinq minutes, sans accélération de la vidéo, grâce aux agents IA de Steward, car ceux-ci permettent d’automatiser l’ensemble du processus. Ainsi, pour un cas d'usage ciblé cas d'usage une source de données propre, les équipes ont pu mettre en service leur premier analyste IA en un jour ou deux, tout au plus.

Un environnement plus complexe, comportant de nombreuses sources de données, prend plus de temps, mais l'agent Steward accélère considérablement la création de la couche sémantique. Il est donc assez facile de générer de la valeur en moins d'un ou deux jours. Super.

Merci. Merci. Encore une fois, y a-t-il d'autres questions ?

Il nous reste encore quelques minutes. Il y en a quelques-unes qui sont sympas. Donne-moi une seconde pour jeter un œil à ça.

En fait, je vais d'abord lire celui-là, et ensuite on s'attaquera à celui-là. Une question : à qui s'adresse vraiment ce livre, Alex ? Alors, à qui est-il destiné ?

Est-ce destiné aux équipes chargées des données ? Aux utilisateurs métier, ou bien en réalité aux deux ? À qui avantage d'un outil tel qu'Actian AI Analyst ?

Je peux affirmer sans ambiguïté que ces outils s'adressent aux deux publics, et qu'ils disposent d'interfaces différentes. L'équipe chargée des données utilise Studio pour créer et gérer la couche sémantique, ainsi que pour configurer un ou plusieurs analystes IA. Quant aux utilisateur métier, ils utilisateur Explorer pour poser des questions en langage naturel et obtenir des graphiques, des rapports et insight générales.

Pas besoin de SQL. Vous pouvez également Embarquer d'analyse dans votre Slack ou Teams. Ainsi, si vous ne souhaitez pas utiliser une nouvelle application, nous proposons une intégration dédiée à Slack et Teams.

Il suffit de lui poser la question et d'envoyer un message à ton IA, et elle te répondra. C'est génial. C'est vraiment génial.

Je crois que Phil est en train de répondre à la dernière question, ou à l'une des dernières, de la séance de questions-réponses. Encore une fois, s'il y a d'autres questions, nous sommes à votre disposition pendant encore quelques minutes. Sinon, comme je vous l'ai promis au début de la séance, nous pourrons vous rendre une bonne partie de votre temps.

Attendons encore une minute environ. Et encore une fois, pour ceux qui auraient posé une question et que j'aurais pu manquer, j'essaie de m'occuper de la fenêtre. Je sais que Phil et David s'en chargent.

Mais si jamais nous avons omis de répondre à votre question, nous ne manquerons pas d’y revenir et d’y répondre dans les documents que nous vous fournirons. Comme je l’ai dit, nous mettrons à la disposition des participants un certain nombre de ressources, notamment le lien vers l’enregistrement, et nous répondrons à toutes les autres questions que nous aurions pu oublier. Je vois que Phil est encore en train de répondre à la question de Yeswant, alors patience, Yeswant.

La réponse arrive. Elle est bonne. Mais je dois encore la taper.

Bon, tu peux aussi en parler en direct si tu veux. Alors… Ouais… on a un peu de temps.

Allez-y, oui. Très bien. Il s'agit donc d'une question en plusieurs parties qui nous a été posée par nos participants.

C'était une session intéressante. L'une des questions posées était la suivante : « Comment Actian AI Analyst identifie-t-il et classe-t-il automatiquement les données sensibles issues de sources structurées et non structurées ? » Il s'agit donc d'une question en plusieurs parties, et ceci n'est que la première d'une série de réponses à cette question.

Pour commencer, Actian AI Analyst analyse donc réellement vos données structurées, n’est-ce pas ? Nous ne passons donc pas nécessairement vos systèmes au crible à la recherche d’informations sensibles relevant du RGPD, telles que les données à caractère personnel. Lorsque Alex a présenté la mise en place du système, notre glossaire et nos définitions des indicateurs peuvent aider l’agent à comprendre ces politiques, ces définitions et ces calculs si vous décidez de les utiliser.

Mais cela s'oppose aux données structurées plus traditionnelles à cet égard, et non aux données non structurées. Nous ne lisons pas de fichiers PDF pour essayer de déterminer s'il s'agit ou non de données classifiées. Voilà donc la première partie.

Par ailleurs, la plateforme Actian AI Analyst propose-t-elle des agents de qualité pilotée par l’IA autonomes ou pilotée par l’IA , capables de détecter, d’évaluer, de surveiller et de corriger les problèmes liés aux données ? En fait, John avait évoqué certains de nos autres webinaires à venir. Nous organisons prochainement un observabilité consacré observabilité des données Actian, qui abordera la manière dont nous traitons les problèmes liés aux données.

Actian AI Analyst fonctionne en synergie avec les autres produits de la plateforme proposés par Actian. Nous pouvons également être utilisés de manière autonome en tant que solution ponctuelle si vous en avez besoin. Cependant, nous nous appuyons sur ce contexte métier qui nous aide à instaurer la confiance grâce à l'utilisation de données gouvernées, et notre suite de produits comprend des outils qui vous aident à mettre en place votre gouvernance des données, le cadre nécessaire, ainsi qu'à documenter le contexte supplémentaire.

Ces éléments sont réutilisés sur l'ensemble de nos plateformes. Donc… Exactement… C'était un peu long à taper.

Désolé, je ne tape pas aussi vite. C'est bien.

Écoute, hé, c'était une bonne question à aborder en direct, Phil. Comme tu l'as dit, c'était une question assez détaillée. D'accord.

Autre chose ? Y a-t-il d'autres questions de la part des participants ? Alex, bravo pour ta présentation.

Phil, David, merci d'avoir animé la session de questions-réponses. Quant aux participants, j'espère que vous avez trouvé cette session utile et que vous êtes enthousiastes à l'idée de découvrir Actian AI Analyst. Je vous encourage tous à profiter de cet essai gratuit de 14 jours.

Inscrivez-vous à nos prochains webinaires. N'hésitez pas à nous contacter si vous avez des questions. Nous allons attendre encore une minute pour voir si d'autres questions arrivent.

Sinon, encore une fois, nous vous remercions de votre participation, et nous pouvons vous faire gagner un peu de temps. Merci beaucoup à tous. Parfait.

Merci à tous. Nous vous en sommes reconnaissants. Merci à vous tous.

Passez une excellente fin de journée. À plus tard, tout le monde.