Vanguard a construit un Analyste virtuel sur AWS autour de huit principes de données prêtes pour l'IA

Vanguard, l'un des plus grands gestionnaires d'actifs au monde, avec un portefeuille de plus de 9 000 milliards de dollars, a publié une analyse détaillée de la façon dont son équipe a construit l'Analyste virtuel : un outil d'IA interne reposant sur AWS, qui répond en langage naturel, sans écrire de code, aux questions analytiques des équipes métier.

D'abord les données, ensuite les modèles

La leçon principale de l'expérience de Vanguard : la transformation par l'IA ne commence pas par le choix d'un réseau de neurones ni par l'achat de puissance de calcul, mais par la remise en ordre des données. Les ingénieurs de l'entreprise ont formulé huit principes de données prêtes pour l'IA, qui ont servi de fondation à tout le projet avant même la première ligne de code du modèle.

Ces principes couvrent tout le cycle de vie, de la sémantique et de la structure jusqu'à la sécurité et la surveillance :

• Taxonomie unique : un vocabulaire commun pour toutes les métriques, KPI et entités métier, afin que le « rendement » signifie la même chose dans un service et dans un autre
• Data lineage : traçabilité de chaque indicateur, de la source primaire jusqu'au data mart analytique
• Actualité : garantie que les données sont à jour au moment de chaque requête
• Métadonnées lisibles par machine : schémas et descriptions compréhensibles non seulement par les humains, mais aussi par l'automatisation
• Contrôle d'accès : politiques de sécurité granulaires au niveau des lignes et des colonnes
• Surveillance de la qualité : vérifications automatiques de l'exactitude des données en temps réel
• Formats standardisés : schémas et conventions uniques, adoptés par toutes les équipes
• Documentation : reproductibilité de chaque jeu de données et explicabilité de chaque calcul

Sans ces principes, les modèles d'IA hallucinent sur des données incorrectes ou ambiguës. Vanguard a traité le problème de façon systémique plutôt que ponctuelle, et c'est ce qui a fondé son succès.

AWS sous le capot

Pour la mise en œuvre technique, Vanguard a mobilisé un ensemble de services AWS. Amazon S3 sert de lac de données unique, qui consolide les sources de différents services. AWS Glue Data Catalog prend en charge les pipelines ETL et le stockage centralisé des métadonnées : c'est là que résident les descriptions, les schémas et les définitions métier de tous les jeux de données.

L'entraînement et le déploiement des modèles s'effectuent sur Amazon SageMaker. Les processus complexes en plusieurs étapes sont orchestrés par AWS Step Functions, tandis que la qualité des données et les performances des pipelines sont surveillées via Amazon CloudWatch, avec des alertes et des tableaux de bord configurés pour l'équipe.

L'Analyste virtuel fonctionne au-dessus de cette infrastructure : il reçoit des questions en langage naturel, les traduit en requêtes sur les données et renvoie des analyses structurées, avec graphiques et interprétations textuelles. Les équipes métier obtiennent des enseignements sans SQL, sans Python et sans file d'attente de demandes auprès des spécialistes des données.

Résultat pour l'entreprise

«

Le chemin vers des données prêtes pour l'IA n'est pas un projet ponctuel, mais une culture opérationnelle », soulignent les auteurs du cas sur le blog AWS Machine Learning.

Vanguard fait état d'un effet concret et mesurable. Le temps de préparation des rapports analytiques courants a été divisé plusieurs fois. Les gérants de portefeuille et les analystes de risque posent leurs questions directement au système, au lieu de confier des tâches aux analystes de données et d'attendre la réponse pendant des heures, voire des jours.

Point important : l'Analyste virtuel ne remplace pas l'expertise humaine. Il prend en charge la part routinière du travail (agrégation, filtrage et première interprétation des données) et libère les analystes pour des tâches de plus haut niveau : élaborer des hypothèses et prendre des décisions stratégiques.

Ce que cela signifie

Le cas de Vanguard est l'une des descriptions publiques les plus détaillées de la manière dont une grande entreprise financière met en place une analytique par l'IA en production. Les huit principes de données prêtes pour l'IA forment une checklist pratique pour toute organisation qui veut un effet réel sur son activité, et non un joli pilote sur des données de test parfaitement préparées.