Le 22 octobre, à l’occasion du GTC Berlin, NVIDIA a annoncé que Revolut déployait à grande échelle en production son modèle de fondation PRAGMA, destiné dans un premier temps à 80 millions de clients. D’autres projets concernent des modèles détenus par les banques, les opérations de paiement et l’accélération du traitement des données ; ils vont de systèmes opérationnels à des travaux de développement et à des tests hors ligne.

Points clés

  • PRAGMA de Revolut sert dans un premier temps 80 millions de clients et est conçu pour évoluer jusqu’à trois fois ce niveau.
  • Des banques et des prestataires de paiement développent des systèmes d’intelligence propriétaires à partir de leurs propres données, de modèles à poids ouverts et d’infrastructures accélérées.
  • NVIDIA a fait état de gains substantiels en matière de traitement, notamment des résultats de tests hors ligne de Stripe indiquant des chaînes de traitement 42 fois plus rapides et des économies de coûts de 92 %.

Table des matières

L’IA financière européenne passe en production

Revolut reconstruit son infrastructure technologique autour de PRAGMA, un modèle de fondation unique. Selon NVIDIA, la banque utilise sa boîte à outils cuDF et le logiciel Dynamo-Triton sur des GPU Blackwell Ultra pour déployer le système à grande échelle en production. La capacité annoncée à tripler l’échelle est un objectif d’ingénierie, et non une expansion déclarée de la clientèle actuelle.

L’annonce a également mis en avant des établissements qui développent des systèmes d’intelligence à partir de leurs propres données de transaction. Starling Bank a développé Starling Intelligence, la couche qui sous-tend ses capacités d’IA, sur le cloud britannique de Civo, à l’aide des données de transaction de la banque. NVIDIA a présenté Starling comme la première banque à entraîner un modèle agentique sur une infrastructure de cloud souverain britannique.

Lloyds Banking Group a créé ATUM, un modèle de fondation dédié aux transactions qui transforme des milliards d’opérations bancaires en données d’intelligence réutilisables. NVIDIA a indiqué que les GPU RTX PRO 6000 Blackwell accélèrent le modèle, qui améliore l’efficacité dans différents cas d’usage à l’échelle de la banque. Par ailleurs, SBS a lancé une plateforme souveraine d’intelligence bancaire conçue pour permettre aux banques d’exécuter des modèles génératifs et agentiques sans transférer leurs données hors de leurs propres murs.

Les modèles ouverts alimentent les assistants et les charges de travail spécialisées

L’assistant Finn de la néobanque bunq fonctionne désormais avec des modèles à poids ouverts. NVIDIA a indiqué que son déploiement sur Nebius offre une qualité équivalente à celle des principaux modèles fermés, pour un coût par réponse représentant 60 % de leur coût. Ce chiffre décrit le coût relatif, et non une réduction des coûts de 60 %.

D’autres projets sont encore en développement. NatWest met au point une technologie vocale conçue pour reconnaître les accents et les dialectes britanniques ainsi que la terminologie financière, à l’aide de modèles vocaux NVIDIA, notamment Nemotron 3.5 ASR. Modulr développe des modèles spécialisés pour différentes opérations de paiement à partir du modèle ouvert Nemotron-3-Ultra-550B.

Santander est l’un des premiers adoptants de la nouvelle famille Kumo de modèles de fondation à poids ouverts de NVIDIA, destinée aux données financières structurées. La banque utilise ces modèles pour créer des systèmes d’intelligence spécialisés dans les charges de travail bancaires fondamentales.

Des outils de données plus rapides pour la recherche financière

LSEG collabore avec NVIDIA pour aider les établissements financiers à analyser de grands volumes de données historiques de ticks jusqu’à 10 fois plus vite. Ces travaux s’appuient sur le moteur GPU Polars, accéléré par cuDF sur des GPU RTX PRO 6000 Blackwell.

RavenPack a créé sur Bigdata.com un pipeline de génération de jeux de données à l’aide d’un modèle NVIDIA Nemotron affiné. À partir d’une hypothèse de recherche formulée en langage courant, il produit un jeu de données étiqueté prêt pour le backtesting, que les investisseurs peuvent utiliser pour repérer, analyser et visualiser les tendances du marché.

Les gains de traitement antifraude comprennent des résultats de tests hors ligne

HSBC utilise le GPU Engine de Starburst Enterprise pour obtenir des informations sur ses clients presque en temps réel et prendre des décisions à la demande, tout en réduisant au minimum les risques et la fraude. NVIDIA a fait état d’un traitement des données cinq fois plus rapide.

Les résultats de Stripe étaient explicitement limités à des tests hors ligne. NVIDIA a indiqué que Ray Data accéléré par GPU avait permis, lors de ces tests, d’obtenir des pipelines de données 42 fois plus rapides et des économies de coûts de 92 % pour la plateforme de détection de la fraude Stripe Radar. Les gains annoncés concernent les pipelines de données d’apprentissage automatique, et non une amélioration quantifiée de la précision de la détection des fraudes.

Lire d’autres actualités

Plus d’actualités de FinanceVelix

Avertissement

Le présent article de FinanceVelix fournit des informations générales et ne constitue pas un conseil personnalisé en matière financière, d’investissement, juridique ou fiscale. Les cours du marché, les taux d’intérêt et la conjoncture économique peuvent évoluer ; les investissements comportent un risque de perte. Les faits reflètent les informations disponibles au moment de la publication et peuvent changer. Vérifiez de manière indépendante les informations importantes et consultez un professionnel qualifié si nécessaire. La mention d’un actif, d’une entreprise ou d’un service ne constitue pas une recommandation.