Des opérations bancaires à 5 millisecondes : comment Bud Financial a construit une plateforme d’intelligence de données sur IBM watsonx.data
L'équipe d'ingénieurs de Bud Financial a intégré la technologie IBM dans une architecture qui enrichit les transactions financières en moins de cinq millisecondes avec une précision supérieure à 97 %.
Bud Financial (Bud) aide les banques, coopératives de crédit et fintechs à convertir les données transactionnelles brutes en intelligence client qui soutient des insights comportementaux en temps réel, des services personnalisés et une prise de décision éclairée.
La clientèle de Bud, société basée à Londres, va des start-ups fintech aux banques internationales. Son plus gros client dessert plus de 10 millions d'utilisateurs de vente au détail et traite plus de 500 millions de transactions par mois, une échelle qui exige fiabilité et précision à chaque étape. L'un de ses clients les plus importants, HSBC, a adopté la technologie de Bud en 2019 et a été tellement impressionné qu'il est devenu par la suite un investisseur.
Ensemble, l'équipe d'ingénieurs d'IBM et de Bud a créé une architecture qui enrichit chaque transaction financière en moins de cinq millisecondes avec une précision de plus de 97 %. Pour ce faire, l'architecture classifie l'achat, cartographie le commerçant, ajoute des étiquettes de géolocalisation et de catégorie et détecte les schémas récurrents ou inhabituels, ce qui permet aux banques de surface des informations en temps réel le moment où une transaction se produit.
L'objectif principal de Bud est d'agir en tant que couche d'intelligence client pour les banques, en offrant une vue complète du comportement grâce à l'enrichissement des données financières.
Lorsqu'un client effectue un achat - par exemple, une tasse de café - le système de Bud reçoit les données brutes de la banque et les classe par catégorie (par exemple, Alimentation → Café → Cafés). Il identifie ensuite le commerçant, lui associe un logo et une localisation et détermine si l'achat est récurrent.
Ce processus se produit avant même que l’utilisateur ne reçoive sa notification de paiement. Les informations enrichies sont renvoyées dans les systèmes de la banque pour alimenter :
- Détection des fraudes et évaluation des risques
- Outils de gestion financière personnelle pour les utilisateurs finaux
- Informations sur le support client pour les conseillers et les agents de service
- Recommandations de produits ciblées et opportunités de vente additionnelle, rendues possibles par la compréhension des habitudes de consommation et du profil financier du client.
La contrainte technique est impitoyable : chaque opération doit être effectuée dans la boucle d'autorisation d'une transaction par carte de crédit - pas de délai supplémentaire, pas de faux positifs. Un paiement mal étiqueté peut entraîner des litiges ou des déclencheurs de fraude inutiles. Par conséquent, le design de Bud privilégie la vitesse et la certitude et saute les classifications incertaines plutôt que de risquer un résultat erroné.
L'architecture de Bud est conçue pour permettre un enrichissement en temps quasi réel (moins de 5 millisecondes) et une précision supérieure à 97 % sur des millions de transactions quotidiennes. Le système intègre Astra DB, qui fait partie d'IBM watsonx.data®, Google BigQuery et les modèles propriétaires de Bud dans un pipeline modulaire qui prend en charge la classification, la contextualisation et l'analytique en temps réel à l'échelle mondiale.
1. Ingestion et intégration des données
Le moteur d’ingestion de Bud se connecte à de multiples sources de données, aux flux de paiement en temps réel et aux flux de opérations bancaires par lots, ce qui permet une Intégration flexible avec différents systèmes clients. Chaque déploiement peut se dérouler dans la région ou dans le pays afin de respecter les réglementations de résidence des données pour les institutions financières.
2. Moteur d’enrichissement en temps réel
Les modèles IA internes de Bud analysent les données de transaction lors de l'ingestion. Chaque événement est classé, enrichi d'informations commerciales et géographiques et renvoyé au client en quelques millisecondes. Certaines banques utilisent directement les résultats de l'enrichissement sans magasin ; d'autres conservent les transactions enrichies à des fins d'analytique.
3. Magasin de données transactionnelles : Astra DB, qui fait partie de watsonx.data
L'architecture de Bud a évolué en trois étapes : de MySQL à Apache Cassandra autogéré® et enfin Astra DB. Cette transition a permis d'obtenir les performances et la simplicité opérationnelle requises pour prendre en charge divers Workload bancaires pouvant inclure des déploiements hybrides et multi-environnements. Ceci inclut des situations où les données doivent rester dans le pays ou où l’infrastructure doit être proche des centres de données bancaires.
Astra DB est désormais le principal magasin de données transactionnelles de Bud, conçu pour gérer les pics de volume imprévisibles tout en répondant aux exigences d'hébergement des clients.
4. Couche analytique : Google BigQuery
Pour les clients qui ont besoin d'informations croisées, Bud diffuse des transactions enrichies sur BigQuery, ce qui permet des analyses à grande échelle, la détection de modèles et la création de rapports. Cette séparation des charges de travail transactionnelles et analytiques permet à Bud de maintenir à la fois la rapidité et la profondeur dans son traitement de données.
5. IA avec l’humain dans la boucle
Les modèles d'enrichissement de Bud sont entièrement entraînés et gérés en interne. Les grands modèles de fondation sont délibérément exclus de la boucle en temps réel afin d'éviter les hallucinations et de garantir l'explicabilité. Bud s'appuie plutôt sur ses modèles propriétaires soutenus par des étiqueteurs humains, qui vérifient en permanence des types de transactions nouveaux ou inégalés. Cette approche permet d’obtenir une précision de classification supérieure à 97 % tout en maintenant la transparence et la gouvernance.
Le système de Bud est optimisé autour de trois exigences non négociables : la précision, la fiabilité et une performance inférieure à 5 millisecondes. Les faux positifs, comme une catégorisation erronée, peuvent créer des confusions ou des litiges avec les clients, c'est pourquoi le moteur d'enrichissement donne la priorité à l'exactitude et à l'explicabilité plutôt qu'à une classification spéculative. Dans le même temps, l'ensemble du pipeline doit fonctionner dans la boucle paiement-autorisation, ce qui signifie que chaque décision d'enrichissement doit être prise en quelques millisecondes sans ajouter de délai perceptible pour les utilisateurs finaux.
Pour prévenir ces problèmes, Bud a mis en place des processus de surveillance qui garantissent un examen humain de toute catégorie de transaction ambiguë. L’approche de l’entreprise met également l’accent sur l’observabilité et l’adaptabilité régionale : chaque client peut choisir de déployer dans des environnements multi-locataires ou dédiés selon ses besoins de conformité.
Le moteur d’enrichissement de Bud fonctionne avec une précision supérieure à 97 %, une latence inférieure à 5 ms et une couverture mondiale de 20 millions de commerçants et 30 millions de sites, garantissant aux banques la capacité de classifier et contextualiser les transactions à l’échelle sans dégrader l’expérience.
Engage, le produit de gestion financière de Bud destiné aux clients, permet d'augmenter l'utilisation des canaux numériques en donnant aux clients une vision plus claire et plus fiable de leur comportement en matière de dépenses.
Une autre offre de Bud, Assess, utilise des données de transaction enrichies pour évaluer les emprunteurs « à profil bas » - les clients ayant un historique de crédit limité - en évaluant en temps réel l'accessibilité financière et les habitudes de dépenses, aidant ainsi les prêteurs à prendre des décisions de crédit plus éclairées et plus équitables.
L'expérience de Bud montre qu'une IA efficace dans la finance nécessite à la fois l'automatisation et le jugement humain. La conception « humaine dans la boucle » de l’équipe garantit que les modèles restent à jour avec les nouveaux types de commerçants, les catégories et les modes de dépense évolutifs, comme l’émergence du covoiturage ou des transactions « acheter maintenant, payer ultérieurement ».
Le suivi continu et le réentraînement assurent la précision, l’adaptabilité et l’explicabilité du système d’enrichissement, autant de valeurs fondamentales pour toute IA déployée dans les secteurs réglementés.
La plateforme de données en temps réel de Bud Financial démontre comment Astra DB permet des opérations de données à faible latence, distribuées à l’échelle mondiale et répondant à l’échelle et à la précision requises par les workloads bancaires modernes. La combinaison des performances de Cassandra gérée par Astra DB et de la portée analytique de BigQuery fournit à Bud une architecture unifiée pour l'enrichissement en temps réel et la génération d'informations à long terme.
Les étapes suivantes du parcours de Bud consistent à fusionner les données transactionnelles et analytiques, ce qui rapproche davantage la compréhension du client du temps réel.
Astra DB fournissant la base transactionnelle, Bud continue d'étendre sa plateforme afin de fournir des informations explicables en temps réel à l'échelle bancaire.