Automatiser la rédaction de dossiers de crédit aux entreprises

|

|

Le besoin
La solution
Ils peuvent vous aider

Le besoin

Création automatique des dossiers de crédit d'entreprise

Constituer un dossier de crédit d'entreprise est chronophage. Cela demande de rassembler des informations venant de différentes sources. Mais la présentation de ces dossiers reste assez homogène d'un projet à un autre : il faut évaluer la capacité financière, les garanties, fournir une description du projet à financer (la structure de l'entreprise, de son chiffre d'affaires, etc.). Le conseiller bancaire chargé de l'évaluation des dossiers doit rassembler des données chiffrées pour constituer un dossier de crédit.

Disposer de dossiers complets, homogènes et clairs permettra non seulement de gagner du temps, mais également de diminuer le risque et d'optimiser la relation client. J'attends de la standardisation automatique des dossiers de crédit à la fois un gain de temps et de productivité mais une plus grande qualité des dossiers.

La solution

Génération automatique de texte (NLG) dans le secteur bancaire

Une première étape : analyse des entrées et des sorties attendues

Tout projet de mise en place d'une solution de rédaction automatique (Natural Language Generation ou NLG en anglais) passe par une première étape d'analyse des entrées et des sorties attendues.

Les entrées d'une solution de NLG

Souvent les données structurées pré-existantes sont "préparées" en amont par le chargé d'affaires de la banque. De façon semblable, une solution de rédaction automatique nécessite de disposer de données structurées, définies selon des modèles de données connus. Cependant, dans certains cas, les information nécessaires ne sont pas directement disponibles sous forme structurée, et peuvent être présentes dans des textes qui ne sont pas directement exploitables par la machine.

Les sections des rapports à produire qui détaillent les données comme la description de la structure de l'entreprise, son chiffre d'affaires ou sa santé financière, etc. sont donc automatisables. Pour ce faire, il faudra d'abord extraire des informations concernant la partie descriptive de l'entreprise. Les technologies de fouille de texte ou d'extraction d'information sont dans ce cas nécessaires pour extraire, identifier et préparer les données.

La sortie d'une solution de NLG : identifier les sections automatisables pour le dossier de crédit

Un dossier de crédit d'entreprise comprend différentes sections, dont un certain nombre sont la traduction presque directe de données structurées en langue naturelle. Il s'agit, pendant cette première phase d'analyse, d'identifier les sections qui sont automatisables et qui peuvent être générées directement par une solution de rédaction automatique.

Typiquement, les sections automatisables sont celles qui concernent les bilans des entreprises, les éléments chiffrés du projet et les modalités de financement. La nature de l'entreprise, son secteur d'activité, ou les éléments d'analyse qualitative seront rédigés par le chargé d'affaire.

L'objectif est de décharger l'analyste des tâches descriptives dans la rédaction du rapport, afin qu'il puisse passer plus de temps sur l'analyse des données. L'ensemble du rapport reste évidemment sous son contrôle.

Quelles techniques pour la génération de texte

La génération de texte peut faire appel à différentes techniques reposant sur des modèles de textes paramétrables ou sur des réseaux de neurones. Pour la génération de textes à partir de données structurées, on fait appel à des techniques dites "data-to-text" qui convertissent les éléments importants d'une table de données en un texte en langue naturelle. Il est donc nécessaire, pour effectuer une génération de texte correspondant à la structure du dossier, d'une part d'identifier ces éléments saillants, pour, ensuite, les convertir en texte.

La connaissance métier est ainsi primordiale pour le système qui doit sélectionner les données importantes, voire alerter le risk manager sur les singularités alors que les données triviales n'ont pas besoin d'être explicitées et peuvent rester uniquement dans les tableaux de chiffres, fréquemment présentés en annexe.

Gains de productivité

Les gains de productivité dépendent bien sur du volume et de la proportion de texte dont la rédaction est automatisable, mais surtout de la qualité des données disponibles et donc de la qualité des textes générés afin de diminuer une post édition trop importante de la part du conseiller bancaire.

 

Points d'attention

Single point of access : un accès unique à toutes les données

Chaque dossier de crédit est un nouveau projet qui contient des éléments plus ou moins ressemblants, le processus de standardisation automatique permet d'avoir une méthode de traitement similaire des données à partir de bases différentes. Les données nécessaires à la génération ont des natures différentes et sont donc contenues dans des bases de données différentes. Un travail préalable à la mise en place d'une solution devra alors consister à mettre en place des points d'accès à ces différentes sources par exemple en développant des connecteurs.

Par Minh Anh Nguyen
Consultante NLP

Ils peuvent vous aider

Demande de mise en relation concernant l'étude de cas Automatiser la rédaction de dossiers de crédit aux entreprises
Veuillez recopier le texte ci-dessous afin de pouvoir envoyer votre message. Attention aux majuscules !
 
Synapse est expert en Intelligence Artificielle appliquée au texte. Notre raison d'être est d'accompagner nos clients dans la transmission de leurs connaissances. En ce sens, Synapse intervient tout au niveau de 3 leviers : - Créer de la connaissance, à travers un outil d'aide à l'écriture qui permet d'écrire l'esprit libre : Cordial. - Structurer de la connaissance, à travers des outils d'analyse sémantique. - Partager de la connaissance, à travers un chatbot capable de se connecter à la documentation d'une entreprise et de générer automatiquement sa base de connaissances.
 
Semantiweb apporte un décodage marketing des contenus conversationnels spontanés des internautes. Cette expertise donne une valeur stratégique aux annonceurs, permet de créer une intimité clients, détecte les tendances de consommation et traduit les insights des marchés en les rendant opérationnels pour l’entreprise, la marque et le produit.
 
QWAM développe des solutions logicielles d'intelligence artificielle appliquée au traitement du langage naturel. Nos solutions combinent les approches sémantiques, big data, machine learning et deep learning. QWAM intervient pour répondre aux besoins d'exploitation avancée des données textuelles existantes au sein des entreprises et organisations ou bien disponibles sur le web.
 
Kairntech développe une plateforme d'IA visant à démocratiser et accélérer le développement d'applications basées sur le TAL au sein de l’entreprise. L’objectif est de pouvoir créer rapidement et sans programmation des robots permettant d’analyser automatiquement de grandes quantités de texte avec une très grande précision, faisant économiser du temps et des efforts. Nous aidons les professionnels de l’information et les analystes (auditeurs, analystes marketing, chercheurs scientifiques, enquêteurs…) à bâtir des applications pour gagner en efficacité tout en prenant de meilleures décisions.
 
L'APIL, association à but non lucratif, rassemble l'expertise des personnes et des industriels du traitement automatique des langues. Elle a pour ambition de promouvoir le traitement automatique des langues auprès des utilisateurs, qu'ils soient industriels ou grand public. Nous animons un réseau d'expertise en collaboration avec les acteurs spécialisés du domaine : forum JeunesTalents en collaboration avec l'ATALA, les rencontres entre membres industriels, ou l'accompagnement de projets collaboratifs innovants en partenariat international.

Vous fournissez de telles solutions et vous souhaitez faire partie de nos partenaires, contactez-nous.

Les technologies à mettre en oeuvre

Qu'est-ce que la fouille de texte ?
Fouille de texte ou text mining? Le trai­te­ment auto­ma­tique des langues est une étape préa­lable au trai­te­ment infor­ma­tique dans de nom­breuses appli­ca­tions. On consi­dère que...
Extraction d'information, de quoi s'agit-il ?
L’extraction d’information, à quoi ça sert ? L’ex­trac­tion d’in­for­ma­tion consiste à iden­ti­fier, dans des textes en langue natu­relle, des infor­ma­tions types : noms de per­sonnes ou de...
Comment fonctionne la génération de texte ?
Que signifie le sigle NLG ? NLG est l’a­cro­nyme anglais de « Natu­ral Lan­guage Gene­ra­tion », en d’autres termes géné­ra­tion (de textes) en lan­gage natu­rel. Il s’a­git de faire...

Ces études de cas peuvent aussi vous intéresser

Repérer et quantifier les effets des traitements ainsi que leur contexte d'apparition

Je suis responsable de la pharmacovigilance au sein d'une structure publique de veille sanitaire. Je souhaite pouvoir exploiter plus largement les sources d'information sur les effets des traitements et garantir une certaine objectivité des analyses à partir des textes libres : l'analyse linguistique automatisée répond-elle à ces objectifs et comment ?

Rédiger automatiquement des fiches prestataires et sociopro à partir d'avis clients

Je suis responsable d'une plateforme touristique d'un office de tourisme, et je souhaite proposer aux touristes potentiels des descriptions de mes prestataires et socioprofessionnels prenant en compte les avis clients.

Comment réduire le temps de mise sur le marché d'un médicament par une rédaction automatique ?

La mise sur le marché d'un médicament nécessite un grand nombre de documents décrivant son processus de validation. Certains d'entre eux peuvent être très longs (jusqu'à plusieurs milliers de pages) et tous ont une procédure de rédaction/relecture très contrôlée. Pourtant, certaines parties de ces document peuvent être produites automatiquement à partir des données des études cliniques qui ont été effectuées, réduisant ainsi le temps qui sépare la conception du médicament de son Autorisation de Mise sur le Marché (AMM).