Perspectives podcast: How is AI changing banking?

Stephen Meurice: Here’s a question. What do you use AI for? Maybe sprucing up your resume, copy editing emails, making memes? How about as a sounding board?  

Yannick Lallement: I often use those tools to brainstorm. Right? I have an idea and I bounce it with the chat bot. And it is almost always able to build and ask me questions about, ‘Oh but did you think of that aspect?’ Which then helps me build my thinking.  

SM: That’s Yannick Lallement. He’s the Chief AI Officer at Scotiabank. So, he’s always at the cutting edge of how to use this quickly evolving technology. In fact, two years ago, he came on the podcast to tell us about something called generative AI. Which of course, is now an everyday technology for many people. Now there’s a new type of AI emerging in addition to Gen AI. It’s called agentic AI.  

YL: Yes. Gen AI can answer questions, it can recognize pictures, it can create pictures, it can do lots of things. But on its own, it cannot take actions. Agentic AI is able to take actions. That’s the difference.

SM: So, Yannick is back this episode to fill us in on the latest when it comes to artificial intelligence, including this new agentic AI. He’ll also give us an update on how AI is being used in the banking and finance world and what might be on the horizon. And yeah, now I just need an end to this podcast intro. Hey, gen AI chat bot – can you help me brainstorm something?  

Copilot AI: For sure, I’m all ears.  

SM: What would be a good ending to an intro for a Perspectives episode about AI?  

Copilot AI: Wrap it up with a memorable sign off recapping key points and a call to action. Like, ‘Subscribe now and join us as we delve deeper into the world of AI. Exploring its impact and future. Ready to challenge your perspectives? Let’s dive in together. 

SM: Yeah, that sounds pretty good. I’m Stephen Meurice and this is Perspectives. Yannick, welcome back to the show. We really appreciate you coming in.

YL: Thanks for having me again, Stephen.

SM: Okay. So, we're going to jump into some of the latest trends in AI. Explain a few things. But before we get started with that, maybe you could explain a little bit of your own trajectory. You’re working in a field that for many people feels brand new, but probably isn't brand new to you. How did you get to be Scotiabank’s Chief AI officer?

YL: One related question that I often get is, ‘When did you pivot to AI?’ And the answer for me is that I never pivoted to AI. I really started when I was a teenager. I read the novels and the short stories by an American author, Issac Asimov. And he invented a world, a future world of course, a science fiction world in which humans and humanoid intelligent robots live together mostly in peace. 

SM: Mostly.

YL: [laughs] It's a fairly utopian world. There's always complications, you know, you have to make a good story. And that really sparked a lifelong interest for that concept of artificial intelligence. And what would it be like to create machines that can, you know, think like us and talk with us? After that, I did a PhD in artificial intelligence. So that was quite a while ago. Interestingly enough, the topic of my PhD was around how do you combine two different kinds of AI? The two kinds are still around today. One kind is a traditional AI where you use logics and symbolic reasoning to come to a conclusion. And the other kind is what has become more popular recently with ChatGPT and the chatbots. It's called deep learning. And so I did make a small contribution in my PhD to merging those two kinds of AI. Unfortunately, I didn't solve the problem. That's the bad news. The good news is that the problem is so complicated that it hasn't been solved yet.

SM: Okay, how long ago would that have been?

YL: That was in the late 90s, quite a while ago.

SM: So, you've been working in this space for a very long time? 

YL: Yes. 

SM: Did you expect at that point that we would have arrived at the point that we are now? Did you think it was going to be farther down the road, or did you expect this all along?

YL: I can't honestly say I expected it, but I always was aware of the possibility. As to when it would arrive, of course, there was no way to predict. But as someone who's been in the field for a long, long time, I could see the evolution step after step. Of course, the main revolution came about two and a half years ago when ChatGPT came out, and then everybody suddenly could speak our own language, whatever our language is with computers, right? In the past, that was not an option. You had to speak computer language to speak with a computer. Now we can speak English or French or what have you with computers. And of course, that created effectively a whole new world. That made AI much more accessible and gave a much bigger role to AI in society.

SM: So, from that early point, you're working on your PhD in the late 1990s through to whenever it started really to enter the public consciousness, say really just in the last few years at a mass scale. The evolution has been really fast over the last few years, just in terms of what we were able to do with that. What has been the most surprising thing to you as AI leapt into sort of the public consciousness and where it's at now?

YL: The most surprising part was really the ability to chat with a computer in English. That is new. That was really a leap challenge, right? Nothing like that existed before. Computers could, as we discussed last time, recognize cats and so on, which is very useful to be able to understand images, to understand the real world. But they couldn't have a conversation with us and having conversations with us enables all kinds of use cases that couldn't exist before. That was really a revolution.

SM: Right. So just that ability, one on one to be able to take in bits of information from human beings and actually engage in a form of conversation.

YL: Yeah, I often use those tools to brainstorm. Right? I have an idea and I bounce it with the chat bot. And it is almost always able to build and ask me questions about, ‘Oh but did you think of that aspect?’ Which then helped me build my thinking.

SM: Wow. So technically, is it coming up with new ideas? Or is it just sort of bringing together a lot of information that already exists out there, but synthesize it in a really interesting way? Because it sounds like it's actually helping in your own thought process.

YL: Yeah, it is able to come up with new ideas. It doesn't just regurgitate everything it has seen before. There is always a probabilistic aspect, right? And new ideas can be generated by combining different old ideas. And that's effectively what it's doing.

SM: Wow. Okay, in a previous episode you taught us about generative AI, which I guess is what we're experiencing with ChatGPT and its other versions. Now, one of the bigger things, or one of the big things coming along, is agentic AI. Could you explain what that is and how it differs from generative AI?

YL: Yes. The main difference is that recently gen AI has acquired the capability to reason. Meaning, ‘If I do this, then this might happen, and if that happens, then something else will happen.’ And so on and so on. Combining the possibility to reason, to think about the consequences of your actions, which comes with gen AI. And actually acting in the real the world, actually doing things. This is agentic AI. So Gen AI can answer questions, it can recognize pictures, it can create pictures, it can do lots of things. But on its own, it cannot take actions. Agentic AI is able to take actions. Agentic AI is able to do things in the real world in purpose of the goal it has, of course. That's the difference.

SM: So agentic meaning it has agency.

YL: That's exactly it.

SM: So, can you give us an example of what kind of actions it might take? I mean, I know there's a limitless number of examples that could be given, but is there something that can help explain that process?

YL: Yes, maybe a very simple one that I'm sure is coming to phones very soon is you will be able to tell your phone, ‘Please send a message to my wife or my husband or my friend saying I'll be ten minutes late for lunch.’ And then that will happen in the background. Your husband or wife or friend will receive the message from you. All of this will have been taken care of by the agent. Right now that doesn't quite work yet because the field is too open, right? There's an unlimited number of things you could do with a phone. You could ask your phone to do, in effect, but it's starting to work on more specific fields. And maybe we can talk about an example at the Bank.

SM: Okay. We'll get to the Bank for sure in a moment. But I mean, if you ask Alexa to turn on your lights, it will turn on your lights, but that's not an example of what you're talking about. Or is it?

YL: No. Because the Alexa doesn't think about how to turn on your lights, it just does whatever you ask it to do. If you tell your future phone agent to send a message to your partner, well, first of all, it has to figure out who your partner is. It has to figure out what's the best way to send them a message. It has to check whether the message was received or not, right? In order to tell you what happened and so on. So, you can do much more complicated things than just straight, ‘Obey what I'm telling you. Do this action right now.’ 
 
SM: So agentic AI or otherwise, AI is obviously fast becoming a part of people’s lives. Has the financial services industry been quick to adopt this technology? We’ll get to Scotiabank specifically in a moment, but in general, would you say this is an industry that has jumped on the opportunities presented by AI? 

YL: I would say, yes. The financial industry and the telecom industry are generally seen to be ahead of the pack in terms of AI adoption. An example of AI use case that has been around for a while is using AI to better understand our customers, in order to make them the best possible product offers.

SM: Okay, so let’s talk a little bit about how Scotiabank is using AI. It sounds like agentic AI might be a little further down the road or the next step, but how is AI being used now at the Bank? 

YL: Actually, we have rolled out one agentic use case very recently. We are now using agentic AI to review the emails we get from our commercial clients. What that means is that all our commercial clients send us emails about their needs, right? They may want to withdraw on a credit line. They may want to change their profile. They may want to investigate a transaction. Whatever the case, Scotiabank makes it easy for them to have one email address where they can contact us. But of course, that means we receive many thousands of emails to that email address and we have to understand what to do with them, right? Figuring out who the email is about is not so easy. It's not as simple as looking up the from email address because our commercial clients may have a complex corporate structure. We have to find exactly the right part of the structure this is about. Sometimes we receive emails from third parties, right? From lawyers or from accountants that want to do things for their client. Sometimes we receive emails from our colleagues, you know, the bankers who want operations to do things for their clients and so on. So, figuring out who the email is about and also figuring out what the email is about, what that entity wants to do. So the AI will look at the emails as they arrive. We figure out who it is about, what it is about. And then on its own, create the case for processing in the right queue with the right team. This has really two benefits. The first one, my favourite one really, is that we can answer our commercial clients faster. Because instead of the emails sitting in the queue for 1 to 2 hours before they are reviewed by someone, before the case is created, the AI does that instantly the second the email arrives. So, the turnaround for our commercial customers is now faster. On top of that, we do this at a lower cost to the Bank because of course, once developed, the AI is free.

SM: Okay. And that system is fully in place. Is AI, maybe this is a bigger question as well, but is AI always right? I'm sure there was lots of testing involved in just the implementation of it. But how do you make sure it's doing the right thing?

YL: Yeah, that's an excellent question. What's happening with this system, which is in full production today, is it is reviewing 70% of the emails we receive. And those are the 70% for which it is very confident about the topic and the entity related to the email. For the remaining 30%, the AI is not completely sure, so it decides on its own to leave it to the human team, to our colleagues for looking after. And so basically, the answer to your question is the AI will do the action only when it's very confident. When it's not quite sure it leaves it for a human, for someone smarter to look after. And in fact, we see that the AI is now on average, more accurate than humans. Of course, this is partly because the AI looks after the easier cases, right? And the humans look after the rest of the cases, the more complicated ones.

SM: Right. I mean, I guess even just teaching it to know when it doesn't know must be part of the process? Like it has to figure out, as you said, the things that it doesn't know the answer to. We talked in the past in one of the previous times you were on the show about AI hallucinations, where because it might not know the answer, but then it'll just make something up. But do you've gotten around that problem in some way?

YL: Yeah, the field has evolved since, and hallucinations are less of a problem. They are not necessarily a solved problem completely, but there's multiple techniques that are in place to minimize those hallucinations. In the case of those emails from commercial clients that we were just talking about, if the AI makes a mistake, that means the case is sent to the wrong queue, right? And the operations team who is looking after that queue, will of course, notice that and will send it back to the human for orienting correctly again.

SM: Right. So there are backstops there. 

YL: Yes.

SM: Yeah. Are there other use cases? Or other ways that AI is being used in the Bank?

YL: Yeah, we have recently rolled out to all of our contact centres, and we are in the process of rolling out to all our branches, a system that we call AskAI, that allows our client facing advisors to ask questions directly from our internal AskAI agent. This is very important because the Bank has a lot of products, and not necessarily every single agent across the Bank knows every single detail about every single product. Imagine I ask you a question like, ‘Stephen, I would like to know if the duration of the medical insurance coverage on the Scotiabank Visa Infinite is the same if you are more or less than 65 years old?’ Because maybe I'm turning 65 next year and I want to see my options there. That's a pretty specific question, right? I'm sure most of our colleagues will know, but not every colleague will know. And in the past, in order to find the answer to that question, you would have to go through the product documentation. You would have to use the search engine. You would have to find the insurance statement for the specific Visa Infinite card. And then you would have to scroll through that statement to locate the medical insurance coverage and the part where there is or not a limitation if you are more than 65. And now with AskAI, with our internal chatbot, anyone can just ask a question and get the answer straight away. So again, that has two impacts. The first impact, my favourite one, is better customer service. We can serve our customers better. They don't have to wait for us to answer their questions. And the second impact is we can do this at a lower cost to the Bank, of course, because we spend less time locating the right information. And in fact, our colleagues, the client facing advisors, they really love it and they have given us feedback like, ‘I wish I had that in my previous job.’ Or, ‘This is a game changer to me.’

SM: That's great. I think when it comes to AI, people are fascinated by it, but also I think probably have some apprehensions about issues around privacy or fraud or bias. Can you walk us through how banks and other institutions are safeguarding client’s information? We talked about backstops, but how are you dealing with those types of issues in particular?

YL: We have put in place some very specific processes to make sure that we are protecting our customers, and we are protecting our Bank when it comes to implementing AI. To be a bit more specific, that means that every single time an AI use case is proposed with the Bank, a specific process, a review process is triggered. We call it the Trusted AI Process or the Trusted AI Review. And that review is going to ask the business proposing the new use case a list of questions. So, for example, what's the business impact of the model you want to introduce? Is that model going to make marketing decisions? You know who gets which campaign offer, which is a fairly small business impact. Or is that model going to make maybe credit decisions, which is a much bigger business impact. The review will also ask you questions around what kind of data do you use, right? Do you use personal data? Do you use age or gender, for example? The review process will also ask you questions around how explainable are the model’s decision, right? Can the model explain every single decision? Why it came to that decision? Is the model understood in aggregate? Do we understand how it works without necessarily understanding every single decision, but understanding overall how it makes its decision? Or is it really a black box? And so all of those questions drive a risk rating. And different risk ratings will effectively drive different levels of approval at the Bank. So, if you have something that is low risk, which is the vast majority of the cases we have seen so far, you don't need a very high level of approval. If you have something that is high risk, then it can go very high in the Bank for approval. We haven't really noticed any high-risk use cases because we are a fairly conservative and very ethical culture, and people know that this process is in place, so they don't want to propose use cases that they know would not be accepted.

SM: Okay. So there's a fairly rigorous process in place with a lot of caution built into it. 

YL: Yeah. And there is always a lot of concern, and justifiably so, about how do we create AI models that are fair to everyone? If you actually pay attention to this, and at Scotiabank we do, you can make sure, you can guarantee that your models are going to be fair. Why? Because the models are effectively algorithms. They are math. They are quote unquote, just a technology. You can program it so that they will be fair if you know what you are doing. That's not necessarily the case with humans. Sometimes humans will not be fair, either by design or because they are not aware of it. But maybe AI can be your gateway to a fairer world, not a less fair world.

SM: Right. So how do you envision the future of AI then, in banking? What are the trends that we should be looking out for?

YL: That's a really, really tough question. It's almost like asking, ‘What is the impact of mobile computing going to be in 1996, when the Palm Pilot came out, right. Nobody realized that 15 years later we would all have devices in our pockets that let us bank from anywhere at any time, right? So where is it going? It's not completely clear, but generally speaking, I think AI will follow a fairly similar trajectory to the mobile revolution and the internet revolution before that. It’s going to allow banks to offer better products that make banking easier for customers. And at the same time, we will offer better service at a lower cost. I believe that's where we are going.

SM: Okay, so before we let you go, Yannick, you started out with talking about Isaac Asimov, sort of pioneer of envisioning AI in the future. What do you think he would think about where we are at now?

YL: He would probably think that his vision of the future is starting to realize.

SM: Yannick, thank you so much for joining us today. Really appreciate it.

YL: Thanks for having me.

SM: I’ve been speaking with Yannick Lallement, he is Chief Artificial Intelligence Officer at Scotiabank. 

La transcription suivante a été générée à l'aide de la traduction automatique.


Stephen Meurice : Voici une question. Pourquoi utilisez-vous l'IA? Peut-être embellir votre CV, réviser des courriels, créer des mèmes?

Yannick Lallement : J'utilise souvent ces outils pour faire un remue-méninges. Droit? J'ai une idée et je la fais rebondir avec le robot de clavardage. Et il est presque toujours capable de construire et de me poser des questions sur : « Oh, mais avez-vous pensé à cet aspect? » Ce qui m'aide ensuite à développer ma pensée.

SM : C'est Yannick Lallement. Il est chef de la direction de l'IA à la Banque Scotia. Il est donc toujours à la fine pointe de l'utilisation de cette technologie en évolution rapide. En fait, il y a deux ans, il est venu sur le balado pour nous parler de ce qu'on appelle l'IA générative. Ce qui, bien sûr, est maintenant une technologie quotidienne pour beaucoup de gens. Maintenant, un nouveau type d'IA émerge en plus de l'IA de génération. C'est ce qu'on appelle l'IA agentique.

YL : Oui. La génération IA peut répondre à des questions, elle peut reconnaître des images, elle peut créer des images, elle peut faire beaucoup de choses. Mais à elle seule, elle ne peut pas agir. L'IA Agentic est capable d'agir. C'est la différence.

SM : Donc, Yannick est de retour dans cet épisode pour nous informer des dernières nouveautés en matière d'intelligence artificielle, y compris cette nouvelle IA agentique. Il nous fera également le point sur la façon dont l'IA est utilisée dans le monde bancaire et financier et sur ce qui pourrait se profiler à l'horizon. Et oui, maintenant j'ai juste besoin de terminer cette introduction de balado. Hé, robot de clavardage gen AI, pouvez-vous m'aider à réfléchir à quelque chose?

Copilot AI : Bien sûr, je suis tout ouïe.

SM : Quelle serait une bonne fin pour une introduction pour un épisode de Perspectives sur l'IA?

Copilot AI : Concluez avec une signature mémorable récapitulant les points clés et un appel à l'action. Par exemple, "Abonnez-vous maintenant et joignez-vous à nous pour approfondir le monde de l'IA. Explorer son impact et son avenir. Prêt à remettre en question vos points de vue? Plongeons ensemble dans le vif du sujet.

SM : Oui, ça sonne plutôt bien. Je m'appelle Stephen Meurice et c'est Perspectives. Yannick, bon retour à l'émission. Nous vous remercions vraiment de votre venue.

YL : Merci de m'avoir invité à nouveau, Stephen.

SM : D'accord. Nous allons donc passer aux dernières tendances en matière d'IA. Expliquez quelques choses. Mais avant de commencer, vous pourriez peut-être expliquer un peu votre propre trajectoire. Vous travaillez dans un domaine qui, pour beaucoup de gens, semble tout nouveau, mais qui n'est probablement pas nouveau pour vous. Comment en êtes-vous arrivée au poste de chef de l'IA de la Banque Scotia?

YL : Une question connexe que je reçois souvent est : « Quand avez-vous pivoté vers l'IA? » Et la réponse pour moi est que je ne me suis jamais tourné vers l'IA. J'ai vraiment commencé quand j'étais adolescent. J'ai lu les romans et les nouvelles d'un auteur américain, Issac Asimov. Et il a inventé un monde, un monde futur bien sûr, un monde de science-fiction dans lequel les humains et les robots intelligents humanoïdes vivent ensemble la plupart du temps en paix.

SM : Principalement.

YL : [rires] C'est un monde assez utopique. Il y a toujours des complications, vous savez, vous devez faire une bonne histoire. Et cela a vraiment suscité un intérêt de toute une vie pour ce concept d'intelligence artificielle. Et comment ce serait de créer des machines qui peuvent, vous savez, penser comme nous et parler avec nous? Ensuite, j'ai fait un doctorat en intelligence artificielle. C'était il y a un certain temps. Fait intéressant, le sujet de mon doctorat portait sur la façon de combiner deux types d'IA différents. Les deux types existent encore aujourd'hui. Un type est une IA traditionnelle où vous utilisez la logique et le raisonnement symbolique pour arriver à une conclusion. Et l'autre type est devenu plus populaire récemment avec ChatGPT et les chatbots. C'est ce qu'on appelle l'apprentissage profond. J'ai donc apporté une petite contribution dans mon doctorat à la fusion de ces deux types d'IA. Malheureusement, je n'ai pas résolu le problème. C'est la mauvaise nouvelle. La bonne nouvelle, c'est que le problème est si compliqué qu'il n'a pas encore été résolu.

SM : D'accord, depuis combien de temps cela aurait-il été?

YL : C'était à la fin des années 90, il y a un certain temps.

SM : Donc, vous travaillez dans ce domaine depuis très longtemps?

YL : Oui.

SM : Vous attendiez-vous à ce que nous en soyons arrivés au point où nous en sommes maintenant? Pensiez-vous que ce serait plus tard, ou vous y attendiez-vous depuis le début?

YL : Je ne peux pas dire honnêtement que je m'y attendais, mais j'ai toujours été conscient de la possibilité. Quant à la date à laquelle il arriverait, bien sûr, il n'y avait aucun moyen de le prédire. Mais en tant que personne qui travaille dans le domaine depuis très, très longtemps, j'ai pu voir l'évolution étape après étape. Bien sûr, la principale révolution est survenue il y a environ deux ans et demi lorsque ChatGPT est sorti, et puis tout le monde a soudainement pu parler sa propre langue, quelle que soit notre langue avec les ordinateurs, n'est-ce pas? Dans le passé, ce n'était pas une option. Il fallait parler un langage informatique pour parler avec un ordinateur. Maintenant, nous pouvons parler anglais ou français ou quoi que ce soit avec des ordinateurs. Et bien sûr, cela a créé un tout nouveau monde. Cela a rendu l'IA beaucoup plus accessible et a donné un rôle beaucoup plus important à l'IA dans la société.

SM : Donc, à partir de ce moment-là, vous travaillez sur votre doctorat à la fin des années 1990 jusqu'au moment où il a vraiment commencé à entrer dans la conscience du public, disons vraiment au cours des dernières années à grande échelle. L'évolution a été très rapide au cours des dernières années, juste en ce qui concerne ce que nous avons pu faire avec cela. Qu'est-ce qui a été le plus surprenant pour vous lorsque l'IA a fait son entrée dans la conscience publique et où elle en est maintenant?

YL : La partie la plus surprenante a vraiment été la possibilité de clavarder avec un ordinateur en anglais. C'est nouveau. C'était vraiment un défi de saut, n'est-ce pas? Rien de tel n'existait auparavant. Les ordinateurs pourraient, comme nous l'avons mentionné la dernière fois, reconnaître les chats et ainsi de suite, ce qui est très utile pour comprendre les images, pour comprendre le monde réel. Mais ils ne pouvaient pas avoir de conversation avec nous et avoir des conversations avec nous permet toutes sortes de cas d'utilisation qui ne pouvaient pas exister auparavant. C'était vraiment une révolution.

SM : D'accord. Donc, juste cette capacité, en tête-à-tête, d'être capable d'absorber des bribes d'information des êtres humains et d'engager une forme de conversation.

YL : Oui, j'utilise souvent ces outils pour remue-méninges. Droit? J'ai une idée et je la fais rebondir avec le robot de clavardage. Et il est presque toujours capable de construire et de me poser des questions sur : « Oh, mais avez-vous pensé à cet aspect? » Ce qui m'a ensuite aidé à développer ma pensée.

SM : Wow. Donc, techniquement, trouve-t-elle de nouvelles idées? Ou est-ce simplement rassembler beaucoup d'informations qui existent déjà, mais les synthétiser d'une manière vraiment intéressante? Parce que cela semble aider dans votre propre processus de pensée.

YL : Oui, il est capable de trouver de nouvelles idées. Il ne se contente pas de régurgiter tout ce qu'il a vu auparavant. Il y a toujours un aspect probabiliste, n'est-ce pas? Et de nouvelles idées peuvent être générées en combinant différentes vieilles idées. Et c'est effectivement ce qu'il fait.

SM : Wow. D'accord, dans un épisode précédent, vous nous avez enseigné l'IA générative, ce qui, je suppose, est ce que nous vivons avec ChatGPT et ses autres versions. Maintenant, l'une des choses les plus importantes, ou l'une des grandes choses à venir, est l'IA agentique. Pourriez-vous expliquer ce que c'est et en quoi elle diffère de l'IA générative?

YL : Oui. La principale différence est que l'IA a récemment acquis la capacité de raisonner. C'est-à-dire : « Si je fais ceci, cela pourrait arriver, et si cela se produit, alors quelque chose d'autre se produira. » Et ainsi de suite. Combiner la possibilité de raisonner, de réfléchir aux conséquences de vos actions, ce qui vient avec l'IA de génération. Et agir dans le monde réel, faire des choses. C'est de l'IA agentique. Donc, Gen AI peut répondre à des questions, elle peut reconnaître des images, elle peut créer des images, elle peut faire beaucoup de choses. Mais à elle seule, elle ne peut pas agir. L'IA agentique est capable d'agir. L'IA agentique est capable de faire des choses dans le monde réel dans le but de l'objectif qu'elle a, bien sûr. C'est la différence.

SM : Donc agentique signifie qu'il a un agentivité.

YL : C'est exactement ça.

SM : Alors, pouvez-vous nous donner un exemple du type de mesures qu'il pourrait prendre? Je veux dire, je sais qu'il y a un nombre illimité d'exemples qui pourraient être donnés, mais y a-t-il quelque chose qui peut aider à expliquer ce processus?

YL : Oui, peut-être qu'un message très simple qui, j'en suis sûr, arrivera très bientôt, est que vous pourrez dire à votre téléphone : « S'il vous plaît, envoyez un message à ma femme, à mon mari ou à mon ami pour dire que je serai dix minutes en retard pour le dîner ». Et puis cela se produira en arrière-plan. Votre mari, votre femme ou votre ami recevra le message de votre part. Tout cela aura été pris en charge par l'agent. Pour l'instant, cela ne fonctionne pas encore parce que le champ est trop ouvert, n'est-ce pas? Il y a un nombre illimité de choses que vous pouvez faire avec un téléphone. Vous pourriez demander à votre téléphone de le faire, en fait, mais il commence à fonctionner dans des domaines plus spécifiques. Et peut-être pourrions-nous parler d'un exemple à la Banque.

SM : D'accord. Nous reviendrons à la Banque dans un instant. Mais je veux dire, si vous demandez à Alexa d'allumer vos lumières, elle allumera vos lumières, mais ce n'est pas un exemple de ce dont vous parlez. Ou est-ce le cas?

YL : Non. Parce que l'Alexa ne pense pas à la façon d'allumer vos lumières, elle fait simplement tout ce que vous lui demandez de faire. Si vous dites à votre futur agent téléphonique d'envoyer un message à votre partenaire, eh bien, tout d'abord, il doit comprendre qui est votre partenaire. Il doit trouver quelle est la meilleure façon de leur envoyer un message. Il doit vérifier si le message a été reçu ou non, n'est-ce pas? Afin de vous dire ce qui s'est passé et ainsi de suite. Donc, vous pouvez faire des choses beaucoup plus compliquées que de simplement dire : "Obéissez à ce que je vous dis. Faites cette action tout de suite.
 
SM : Donc, l'IA agentique ou autre, l'IA devient évidemment rapidement une partie de la vie des gens. Le secteur des services financiers a-t-il rapidement adopté cette technologie? Nous parlerons de la Banque Scotia dans un instant, mais en général, diriez-vous qu'il s'agit d'un secteur qui a sauté sur les possibilités offertes par l'IA?

YL : Je dirais que oui. Le secteur financier et l'industrie des télécommunications sont généralement considérés comme étant en avance en termes d'adoption de l'IA. Un exemple de cas d'utilisation de l'IA qui existe depuis un certain temps est l'utilisation de l'IA pour mieux comprendre nos clients, afin de leur proposer les meilleures offres de produits possibles.

SM : D'accord, parlons un peu de la façon dont la Banque Scotia utilise l'IA. Il semble que l'IA agentique soit un peu plus loin ou la prochaine étape, mais comment l'IA est-elle utilisée maintenant à la Banque?

YL : En fait, nous avons déployé un cas d'utilisation de l'agent très récemment. Nous utilisons maintenant l'IA agentique pour examiner les courriels que nous recevons de nos clients commerciaux. Cela signifie que tous nos clients commerciaux nous envoient des courriels au sujet de leurs besoins, n'est-ce pas? Ils peuvent vouloir retirer une ligne de crédit. Ils peuvent vouloir changer de profil. Ils peuvent vouloir enquêter sur une transaction. Quoi qu'il en soit, la Banque Scotia leur permet d'avoir facilement une adresse courriel où ils peuvent communiquer avec nous. Mais bien sûr, cela signifie que nous recevons des milliers de courriels à cette adresse électronique et que nous devons comprendre quoi en faire, n'est-ce pas? Il n'est pas si facile de savoir de qui parle le courriel. Ce n'est pas aussi simple que de rechercher l'adresse courriel du demandeur, car nos clients commerciaux peuvent avoir une structure d'entreprise complexe. Nous devons trouver exactement la bonne partie de la structure dont il s'agit. Parfois, nous recevons des courriels de tiers, n'est-ce pas? D'avocats ou de comptables qui veulent faire des choses pour leur client. Parfois, nous recevons des courriels de nos collègues, vous savez, des banquiers qui veulent que les opérations fassent des choses pour leurs clients et ainsi de suite. Donc, il faut déterminer de qui parle le courriel et aussi de quoi il s'agit, ce que cette entité veut faire. L'IA examinera donc les courriels au fur et à mesure qu'ils arrivent. Nous déterminons de qui il s'agit, de quoi il s'agit. Et puis, par lui-même, créer le dossier pour le traitement dans la bonne file d'attente avec la bonne équipe. Cela a vraiment deux avantages. La première, ma préférée, est que nous pouvons répondre plus rapidement à nos clients commerciaux. Parce qu'au lieu que les courriels restent dans la file d'attente pendant 1 à 2 heures avant d'être examinés par quelqu'un, avant que le dossier ne soit créé, l'IA le fait instantanément à la seconde où le courriel arrive. Ainsi, le délai d'exécution pour nos clients commerciaux est maintenant plus rapide. De plus, nous le faisons à moindre coût pour la Banque parce que, bien sûr, une fois développée, l'IA est gratuite.

SM : D'accord. Et ce système est entièrement en place. L'IA est-elle peut-être aussi une question plus importante, mais l'IA a-t-elle toujours raison? Je suis sûr qu'il y a eu beaucoup de tests impliqués dans sa mise en œuvre. Mais comment s'assurer qu'il fait ce qu'il faut?

YL : Oui, c'est une excellente question. Ce qui se passe avec ce système, qui est en pleine production aujourd'hui, c'est qu'il examine 70% des courriels que nous recevons. Et ce sont les 70% pour lesquels il est très confiant sur le sujet et l'entité liée au courriel. Pour les 30% restants, l'IA n'est pas tout à fait sûre, alors elle décide d'elle-même de laisser l'équipe humaine, à nos collègues pour s'en occuper. Et donc, fondamentalement, la réponse à votre question est que l'IA ne fera l'action que lorsqu'elle sera très confiante. Quand ce n'est pas tout à fait sûr, il est laissé à un humain, à quelqu'un de plus intelligent dont s'occuper. Et en fait, nous voyons que l'IA est maintenant en moyenne plus précise que les humains. Bien sûr, c'est en partie parce que l'IA s'occupe des cas les plus faciles, n'est-ce pas? Et les humains s'occupent du reste des cas, les plus compliqués.

SM : D'accord. Je veux dire, je suppose que même le simple fait de lui apprendre à savoir quand il ne sait pas doit faire partie du processus? Comme s'il devait comprendre, comme vous l'avez dit, les choses auxquelles il ne connaît pas la réponse. Nous avons parlé dans le passé lors d'une des précédentes fois où vous étiez dans l'émission sur les hallucinations de l'IA, parce qu'elle ne connaît peut-être pas la réponse, mais qu'elle ne fait qu'inventer quelque chose. Mais avez-vous contourné ce problème d'une manière ou d'une autre?

YL : Oui, le domaine a évolué depuis, et les hallucinations sont moins problématiques. Ce n'est pas nécessairement un problème complètement résolu, mais il existe de multiples techniques en place pour minimiser ces hallucinations. Dans le cas des courriels de clients commerciaux dont nous venons de parler, si l'IA fait une erreur, cela signifie que le cas est envoyé dans la mauvaise file d'attente, n'est-ce pas? Et l'équipe des opérations qui s'occupe de cette file d'attente le remarquera bien sûr et le renverra à l'humain pour qu'il s'oriente correctement.

SM : D'accord. Il y a donc des filets de sécurité.

YL : Oui.

SM : Oui. Y a-t-il d'autres cas d'utilisation? Ou d'autres façons dont l'IA est utilisée à la Banque?

YL : Oui, nous avons récemment déployé dans tous nos centres de contact, et nous sommes en train de déployer dans toutes nos succursales un système que nous appelons AskAI, qui permet à nos conseillers en contact avec la clientèle de poser des questions directement à partir de notre agent interne AskAI. C'est très important parce que la Banque a beaucoup de produits, et pas nécessairement tous les agents de la Banque connaissent tous les détails de chaque produit. Imaginez que je vous pose une question comme : « Stephen, j'aimerais savoir si la durée de la couverture d'assurance médicale de la Visa Infinite de la Banque Scotia est la même si vous avez plus ou moins de 65 ans? » Parce que peut-être que j'aurai 65 ans l'an prochain et que je veux voir mes options là-bas. C'est une question assez précise, n'est-ce pas? Je suis sûr que la plupart de nos collègues le savent, mais ce ne sont pas tous les collègues qui le savent. Et dans le passé, pour trouver la réponse à cette question, il fallait parcourir la documentation du produit. Il faudrait utiliser le moteur de recherche. Vous devrez trouver le relevé d'assurance de la carte Visa Infinite spécifique. Ensuite, vous devrez faire défiler cette déclaration pour trouver la couverture d'assurance médicale et la partie où il y a ou non une limite si vous avez plus de 65 ans. Et maintenant, avec AskAI, avec notre chatbot interne, n'importe qui peut simplement poser une question et obtenir la réponse immédiatement. Encore une fois, cela a deux impacts. Le premier impact, mon préféré, est un meilleur service à la clientèle. Nous pouvons mieux servir nos clients. Ils n'ont pas besoin d'attendre que nous répondions à leurs questions. Et le deuxième impact est que nous pouvons le faire à moindre coût pour la Banque, bien sûr, parce que nous passons moins de temps à trouver la bonne information. Et en fait, nos collègues, les conseillers en contact avec la clientèle, l'adorent vraiment et ils nous ont donné des commentaires comme : « J'aurais aimé avoir ça dans mon emploi précédent ». Ou : « Cela change la donne pour moi. »

SM : C'est génial. Je pense que lorsqu'il s'agit d'IA, les gens sont fascinés par elle, mais je pense aussi qu'ils ont probablement des appréhensions concernant les questions de protection de la vie privée, de fraude ou de préjugés. Pouvez-vous nous expliquer comment les banques et autres institutions protègent les renseignements des clients? Nous avons parlé de filets de sécurité, mais comment traitez-vous ce genre de questions en particulier?

YL : Nous avons mis en place des processus très spécifiques pour nous assurer que nous protégeons nos clients et que nous protégeons notre banque lorsqu'il s'agit de mettre en œuvre l'IA. Pour être un peu plus précis, cela signifie que chaque fois qu'un cas d'utilisation de l'IA est proposé à la Banque, un processus spécifique, un processus d'examen est déclenché. Nous l'appelons le processus d'IA de confiance ou l'examen de l'IA de confiance. Et cet examen posera une liste de questions à l'entreprise qui propose le nouveau cas d'utilisation. Alors, par exemple, quel est l'impact commercial du modèle que vous voulez introduire? Ce modèle va-t-il prendre des décisions de marketing? Vous savez qui obtient quelle offre de campagne, ce qui a un impact assez faible sur les entreprises. Ou ce modèle va-t-il peut-être prendre des décisions de crédit, ce qui a un impact beaucoup plus important sur les affaires? L'examen vous posera également des questions sur le type de données que vous utilisez, n'est-ce pas? Utilisez-vous des données personnelles? Utilisez-vous l'âge ou le sexe, par exemple? Le processus d'examen vous posera également des questions sur l'explicabilité de la décision du modèle, n'est-ce pas? Le modèle peut-il expliquer chaque décision? Pourquoi en est-on venu à cette décision? Le modèle est-il compris dans son ensemble? Comprenons-nous comment il fonctionne sans nécessairement comprendre chaque décision, mais comprendre globalement comment il prend sa décision? Ou est-ce vraiment une boîte noire? Et donc toutes ces questions entraînent une cote de risque. De plus, différentes cotes de risque entraîneront des niveaux d'approbation différents à la Banque. Donc, si vous avez quelque chose qui est à faible risque, ce qui est la grande majorité des cas que nous avons vus jusqu'à présent, vous n'avez pas besoin d'un niveau d'approbation très élevé. Si vous avez quelque chose qui présente un risque élevé, il peut être très élevé à la Banque pour approbation. Nous n'avons pas vraiment remarqué de cas d'utilisation à haut risque parce que nous avons une culture assez conservatrice et très éthique, et les gens savent que ce processus est en place, donc ils ne veulent pas proposer des cas d'utilisation dont ils savent qu'ils ne seraient pas acceptés.

SM : D'accord. Il y a donc un processus assez rigoureux en place avec beaucoup de prudence.

YL : Oui. Et il y a toujours beaucoup d'inquiétudes, et à juste titre, sur la façon de créer des modèles d'IA équitables pour tout le monde. Si vous y prêtez attention, et à la Banque Scotia, vous pouvez vous assurer que vos modèles seront équitables. Pourquoi? Parce que les modèles sont effectivement des algorithmes. Ce sont des mathématiques. Ce ne sont qu'une technologie. Vous pouvez le programmer de manière à ce qu'ils soient équitables si vous savez ce que vous faites. Ce n'est pas nécessairement le cas des humains. Parfois, les humains ne seront pas justes, soit par dessein, soit parce qu'ils n'en sont pas conscients. Mais peut-être que l'IA peut être votre porte d'entrée vers un monde plus juste, pas un monde moins juste.

SM : D'accord. Alors, comment envisagez-vous l'avenir de l'IA dans le secteur bancaire? Quelles sont les tendances que nous devrions surveiller?

YL : C'est une question très, très difficile. C'est presque comme se demander : "Quel sera l'impact de l'informatique mobile en 1996, lorsque le Palm Pilot est sorti, n'est-ce pas? Personne ne savait que 15 ans plus tard, nous aurions tous des appareils dans nos poches qui nous permettraient de faire des opérations bancaires de n'importe où et à tout moment, n'est-ce pas? Alors, où va-t-il? Ce n'est pas tout à fait clair, mais en général, je pense que l'IA suivra une trajectoire assez similaire à la révolution mobile et à la révolution Internet avant cela. Cela permettra aux banques d'offrir de meilleurs produits qui facilitent les opérations bancaires pour les clients. Et en même temps, nous offrirons un meilleur service à moindre coût. Je crois que c'est là que nous allons.

SM : D'accord, avant de vous laisser partir, Yannick, vous avez commencé par parler d'Isaac Asimov, une sorte de pionnier de l'idée de l'IA dans l'avenir. Que pensez-vous qu'il penserait de l'endroit où nous en sommes maintenant?

YL : Il penserait probablement que sa vision de l'avenir commence à se concrétiser.

SM : Yannick, merci beaucoup de vous joindre à nous aujourd'hui. J’apprécie beaucoup.

YL : Merci de m'avoir invité.

SM : J'ai parlé avec Yannick Lallement, il est chef de l'intelligence artificielle à la Banque Scotia.