Revolut veut remplacer ses outils d’IA dispersés par un modèle bancaire commun

Revolut formalise sa stratégie d’intelligence artificielle avec le lancement de Revolut Research, une division dédiée à la recherche en apprentissage automatique au sein de son organisation IA. L’entité doit transformer des travaux de recherche propres au secteur bancaire en outils utilisables en production, plutôt que d’empiler des solutions tierces conçues pour des cas d’usage isolés. Elle constitue le moteur de recherche et développement de PRAGMA, le modèle de fondation bancaire développé en collaboration avec NVIDIA. 1013

Une seule base pour plusieurs métiers bancaires

La philosophie revendiquée par Revolut — « build, don’t bolt on », autrement dit « construire plutôt que greffer » — consiste à développer en interne une base réutilisable, capable de servir plusieurs fonctions. Le groupe cherche ainsi à s’éloigner d’une architecture composée de modèles cloisonnés, de tableaux de caractéristiques conçus manuellement et de chaînes de machine learning distinctes pour chaque produit.

Cette base doit notamment pouvoir être adaptée à la notation de crédit et à l’évaluation du risque de défaut, à la détection des fraudes, à la segmentation des clients ainsi qu’aux recommandations personnalisées de produits financiers. 610

L’enjeu est autant technologique qu’opérationnel : un même modèle peut apprendre des régularités générales dans les comportements financiers, puis être ajusté à une tâche précise sans qu’il soit nécessaire de reconstruire toute une infrastructure pour chaque usage. 610

PRAGMA, un modèle entraîné sur les historiques bancaires

PRAGMA signifie PRe-trained Banking Foundation Model. Il s’agit d’une famille de modèles de fondation de type encodeur, fondés sur l’architecture Transformer et conçus pour traiter des historiques bancaires provenant de plusieurs sources. La famille publiée va de 10 millions à 1 milliard de paramètres. 1

Contrairement aux modèles de langage entraînés principalement sur du texte, PRAGMA travaille sur des séquences d’événements financiers : paiements, virements et autres signaux liés aux produits et aux comportements des utilisateurs. Les descriptions disponibles font état d’environ 26 millions d’historiques clients, représentant 24 milliards d’événements répartis dans 111 pays. 101

Son préentraînement repose sur un objectif d’apprentissage auto-supervisé dit de modélisation masquée : certaines informations d’une séquence sont masquées et le modèle doit les reconstituer. Cette méthode lui permet d’apprendre des relations entre les événements, leur ordre et leur contexte, y compris dans des historiques longs et irréguliers. 1

Le terme « modèle développé par NVIDIA » doit toutefois être nuancé : les éléments disponibles décrivent un développement conjoint entre Revolut et NVIDIA, et non un produit conçu par NVIDIA seule. 1013

Une infrastructure NVIDIA, mais pas de chiffre confirmé sur le cluster

Le projet PRAGMA s’appuie sur des infrastructures de calcul accéléré de NVIDIA. L’étude de cas de l’équipementier mentionne l’utilisation de GPU NVIDIA H100 sur le cloud IA de Nebius, ainsi que des techniques comme le regroupement de séquences et le traitement dynamique des lots pour rendre possible le préentraînement à grande échelle. 10

En revanche, les éléments consultés ne permettent pas de confirmer de manière indépendante le nombre exact de H100 utilisés ni la topologie du cluster. Le document de recherche et l’étude de cas étayent l’architecture, l’échelle et les résultats annoncés, mais pas un chiffre précis concernant l’infrastructure GPU. 16

Des gains revendiqués sur le risque, la fraude et les recommandations

Dans son étude de cas consacrée à Revolut, NVIDIA compare PRAGMA aux modèles déjà utilisés en production et rapporte les améliorations suivantes : 6

• 2,3 fois plus de précision pour identifier le risque de défaut de paiement ;
• 65 % de cas de fraude supplémentaires détectés ;
• 17 % de précision en plus pour les alertes de fraude ;
• 41 % de recommandations de produits jugées plus pertinentes.

Ces chiffres doivent être lus comme des résultats de benchmark communiqués par Revolut et NVIDIA face à des références de production. Ils ne constituent pas un audit indépendant ni une mesure de performance généralisable à l’ensemble du secteur bancaire. 6

Une division créée après plusieurs étapes de R&D

Le lancement de Revolut Research ne part donc pas d’une feuille blanche. Le dossier PRAGMA avait déjà donné lieu à la publication d’un article de recherche présentant la famille de modèles, tandis que l’étude de cas publiée par NVIDIA en juin décrivait la consolidation de systèmes distincts consacrés à la fraude, au crédit, à l’engagement client et aux recommandations autour d’une même base. 16

La nouvelle division institutionnalise ainsi un effort de recherche qui avait déjà produit un modèle publié et des résultats orientés vers le déploiement. 16

Revolut indique par ailleurs vouloir publier ses travaux, mettre en open source certains frameworks, participer à GTC Berlin et à l’ACM International Conference on AI in Finance (ICAIF), et organiser des rencontres scientifiques chaque trimestre. Les noms de certains dirigeants cités dans des articles secondaires ainsi que la formulation exacte de leurs déclarations doivent toutefois être vérifiés dans le communiqué de lancement original de Revolut.

Une infrastructure d’IA adaptée à l’expansion du groupe

Cette stratégie intervient alors que Revolut cherche à faire fonctionner des systèmes de gestion du risque et de personnalisation cohérents à une échelle toujours plus importante. Le groupe poursuit son expansion au-delà de 80 millions de clients dans plus de 40 marchés. 34

La fintech a également obtenu une licence bancaire complète en France après une procédure impliquant l’Autorité de contrôle prudentiel et de résolution (ACPR) et la Banque centrale européenne. Cette entité doit d’abord soutenir les activités françaises avant de permettre une expansion progressive en Europe occidentale. 34

Pour Revolut, PRAGMA doit donc devenir davantage qu’un outil de détection des fraudes. L’ambition est d’en faire une couche d’intelligence comportementale commune, capable d’alimenter plusieurs décisions réglementées et plusieurs expériences clients. En pratique, Revolut Research doit permettre de réutiliser un modèle entraîné sur un large éventail de comportements financiers au lieu de recréer une pile de machine learning distincte pour chaque produit. 610