Comment WealthAPI construit des pipelines d’intelligence financière adaptés à l’IA avec IBM watsonx.data et Google Cloud BigQuery ?

WealthAPI est une fintech basée en Allemagne qui développe des services back-end pour l’analytique financière en temps réel pilotée par l’IA, incluant l’analyse de portefeuille, les informations de trésorerie, le suivi des dividendes et de la conformité. Cette solution est proposée aux institutions financières partenaires dans le cadre d’un modèle B2B2C. La plateforme prend en charge des parcours financiers rapides et personnalisés qui commencent par des données brutes de comptes et de transactions et s’étendent à la compréhension des avoirs, à la comparaison des performances et à la génération de recommandations.

L’évolutivité et la stabilité sont essentielles dans ce cas d’utilisation : l’infrastructure doit être prête à gérer à la fois des workloads stables et des pics de demande soudains. WealthAPI s’est tournée vers IBM watsonx.data pour gérer de grands volumes de données structurées – y compris le stockage vectoriel et la recherche – qui nécessitent de fortes performances en lecture et en écriture à l’échelle. Le résultat a été une réduction des temps de réponse pouvant atteindre 80 %.

Dans un flux de conseil traditionnel, les données sont collectées lentement, rapprochées manuellement et examinées lors de réunions périodiques. WealthAPI vise une expérience différente : générer en quelques secondes une vue cohérente de la valeur nette, des positions et des performances, avec des comparaisons plus riches entre les classes d’actifs et les produits.

Ce changement crée trois contraintes techniques pratiques :

• Ingestion à l’échelle à partir de sources incohérentes : les données bancaires et de courtage arrivent avec une standardisation limitée et une forte variabilité, incluant un mélange de flux en temps réel, de transactions historiques et de données de référence telles que les données de base des produits et les cotations.
• Qualité des données devant être maintenue sans intervention humaine : un nettoyage de type « family office » à forte intensité ne correspond pas aux marges à l’échelle du grand public. Pourtant, les utilisateurs attendent toujours le niveau de précision des positions, des historiques et de l’analytique qu’ils recevraient d’une approche manuelle.
• Capacité élastique pour les vagues de croissance : la demande peut arriver en rafales, le système doit donc servir des dizaines de milliers d’utilisateurs et évoluer vers des millions sans modification de l’architecture.

La valeur mesurable apparaît dans le parcours de l’utilisateur final : un accès plus rapide aux informations, moins d’erreurs dans les avoirs ou les transactions et une disponibilité fiable pendant les périodes de pointe qui, autrement, dégraderaient la confiance dans un produit financier.

Voici comment WealthAPI a répondu à ces contraintes d’ingénierie.

L’architecture de WealthAPI sépare les workloads en fonction du modèle d’accès, de la latence et de la structure.

Les données entrantes passent par une couche de file d’attente de messages pour découpler les producteurs des services en aval. Google Pub/Sub fournit une mise en mémoire tampon élastique et une diffusion, permettant à plusieurs services de consommer le même flux d’événements sans couplage étroit.

BigQuery est le principal stockage de WealthAPI pour les données opérationnelles à grand volume, souvent non structurées, incluant les journaux d’utilisation, le suivi des erreurs, le suivi de la qualité et le suivi des réponses bancaires. Cette configuration prend en charge les requêtes ad hoc et les analyses sur de grands ensembles de logs, où la rigidité du schéma est plus un handicap qu’un avantage.

Pour les données structurées qui exigent un excellent débit de lecture et d’écriture, WealthAPI utilise watsonx.data. Les critères de décision sont formulés sous la forme d’une règle d’acheminement pragmatique :

• Si les données s’intègrent bien dans SQL, conservez-les dans SQL pour une interrogation flexible (WealthAPI s’appuie généralement sur MySQL et Postgres).
• Si les données sont non structurées, de plusieurs téraoctets et ne nécessitent pas de performances de lecture élevées, BigQuery convient parfaitement.
• Si les données sont structurées et nécessitent d’excellentes performances de lecture et d’écriture à l’échelle, watsonx.data est le choix de WealthAPI.

Un facteur clé de différenciation dans l’architecture réside dans la génération et la récupération d’embeddings :

• Les données arrivent via des flux d’événements
• Un modèle génère des embeddings en fonction du cas d’utilisation
• Les embeddings sont stockés dans watsonx.data aux côtés des données métier
• La plateforme effectue des recherches par similarité pour comparer les produits, identifier les alternatives proches et soutenir l’enrichissement et la curation assistés par l’IA.

La taille et le coût des embeddings sont des réalités opérationnelles : les vecteurs consomment rapidement du stockage, ce qui fait de l’efficacité et des performances de recherche des priorités de premier ordre que watsonx.data traite efficacement. L’un des principaux cas d’utilisation de l’IA pour WealthAPI est la capacité à comparer une grande variété d’actifs d’investissement, quelles que soient leurs sources : cours boursiers, données de référence et fonds négociés en bourse. Les embeddings sont puissants dans ce contexte et permettent des recherches vectorielles à haute performance.

Pour les workloads financiers, la fiabilité et la sécurité font partie intégrante de l’expérience utilisateur : les utilisateurs ne se soucient du choix de la base de données que lorsque la disponibilité diminue ou que des données sensibles sont exposées.

Plusieurs garde-fous sont essentiels pour préserver la fiabilité et la sécurité :

• Conformité avec la loi sur la résilience opérationnelle numérique (Digital Operational Resilience Act – DORA). Appliquée par BaFin, la DORA couvre les risques liés aux technologies de l’information et de la communication (TIC), allant des exigences de déclaration des incidents aux procédures de test de la résilience opérationnelle. La résidence régionale des données est une exigence pratique, en particulier pour les partenaires qui s’attendent à ce que les données restent dans l’UE et souvent dans des juridictions spécifiques.
• En empêchant l’exposition de données sensibles dans les journaux, les équipes d’ingénierie et d’assistance peuvent diagnostiquer les problèmes sans accéder aux données bancaires qui doivent rester protégées.
• Limites d’utilisation des embeddings et des modèles sécurisées, garantissant que les signaux dérivés des transactions ne deviennent pas des données d’entraînement et que les workflows de récupération ne franchissent pas les limites entre locataires.

Ces contrôles sont directement liés au coût total de possession (TCO) : moins d’incidents, moins de revues manuelles et une séparation plus claire des responsabilités réduisent la charge opérationnelle qui, autrement, croît plus rapidement que le chiffre d’affaires dans une fintech à grande échelle.

La modularité est un thème récurrent pour WealthAPI. Les cycles d’innovation raccourcissent et les capacités d’IA évoluent rapidement. Le système doit être capable de connecter de nouveaux services sans en retravailler les bases.

L’avantage d’IBM dans ce modèle repose sur une infrastructure de données adaptée à l’IA qui prend en charge la récupération et la gouvernance des données en production à mesure que les architectures évoluent. Watsonx.data apporte des capacités vectorielles dans l’écosystème watsonx pour aider les équipes à opérationnaliser les données non structurées et multimodales pour les workloads d’IA.

Cette réalité est importante car le coût du « redémarrage » augmente rapidement dans les environnements réglementés. Les équipes qui créent des plateformes financières ont besoin d’un moyen durable de stocker, de récupérer et de gérer à la fois les données opérationnelles et les représentations adaptées à l’IA, tout en préservant la prévisibilité de la performance en cas de pics de demande soudains.

La vitesse compte aussi. WealthAPI a constaté que watsonx.data a permis d’améliorer les temps de réponse jusqu’à 80 %, de réduire les temps d’écriture et d’améliorer la gestion des collisions. Tous ces progrès permettent aux utilisateurs d’obtenir des informations financières quasi instantanées.

L’architecture de WealthAPI est conçue pour tenir une promesse simple vis-à-vis des utilisateurs finaux : des informations financières rapides et cohérentes qui restent fiables même en cas de croissance soudaine. La plateforme sépare l’ingestion pilotée par les événements de l’analyse non structurée et de la recherche vectorielle haute performance, tout en traitant la qualité des données et la sécurité comme des contraintes de conception permanentes plutôt que comme des considérations a posteriori.

En s’appuyant sur l’infrastructure de données adaptée à l’IA d’IBM — y compris les capacités qui prennent en charge les workloads opérationnels à haut débit et la recherche vectorielle efficace — les équipes peuvent maintenir le noyau stable. Ils peuvent ensuite évoluer vers de nouveaux modèles, de nouvelles intégrations partenaires et de nouvelles fonctionnalités orientées utilisateur sans reconstruire la couche de données à chaque fois.

En savoir plus sur watsonx.data d’IBM