Canopy utilise le machine learning pour automatiser le traitement des états financiers sur AWS

Pour les personnes possédant des actifs financiers provenant de plusieurs sources, avoir une vue unique et complète de leur valeur nette peut prendre beaucoup de temps, car elles doivent suivre et compiler manuellement leurs avoirs financiers. C'est un défi constant pour les personnes fortunées, qui ont tendance à avoir un patrimoine plus diversifié.

Fondée en 2013 à Singapour, Canopy vise à résoudre ce problème. Canopy fournit aux personnes fortunées une vue consolidée de leurs avoirs financiers variés, en analysant leurs états financiers, en extrayant et en rassemblant les informations pertinentes sur un tableau de bord unique. Grâce à la plateforme de Canopy, les personnes fortunées peuvent facilement suivre leurs actifs tout en comparant leurs performances financières, leur stratégie et leur market timing avec ceux de leurs pairs.

En tant que plateforme native cloud Amazon Web Services (AWS), Canopy avait automatisé une grande partie de ses opérations quotidiennes. Cependant, elle analysait encore les états financiers manuellement et voulait automatiser ce processus avec le machine learning (ML) et la reconnaissance optique de caractères (OCR) pour le rendre plus efficace.

« L'application du machine learning à n'importe quelle analyse de données est une tâche complexe. Amazon SageMaker utilise le ML pour extraire automatiquement le texte et les données, allant au-delà de la simple OCR et nous permettant de traiter automatiquement près de 100 000 documents financiers à ce jour », déclare Amit Gupta, directeur technique chez Canopy.

Au début de ses activités, l'équipe des données de Canopy parcourait manuellement les documents financiers d'un client provenant de plusieurs sources. Connectée à environ 400 banques dépositaires, Canopy recevait des données dans divers formats, y compris l'interface de programmation d'applications (API), les flux de données, les services de rapports, et au format SWIFT (Society for Worldwide Interbank Financial Telecommunications).

L'équipe recevait également les relevés de transactions des clients sous forme d'e-mails, de fichiers Excel, de fichiers PDF (Portable Document Format) et d'images numérisées, ce qui faisait de l'analyse des données des clients un processus long et coûteux. Canopy s'est lancée dans un parcours d'automatisation du processus et de préparation de son entreprise à l'avenir.

« Chaque semaine, nous passions des centaines d'heures fastidieuses à traiter des états financiers, ce qui n'était pas viable pour la croissance de l'entreprise. Nous avons commencé à expérimenter des modèles de ML open-source par nous-mêmes, et en un an et demi, nous avons réussi à partiellement automatiser le traitement des données financières de nos clients », déclare M. Gupta.

Très rapidement, Canopy s'est heurtée à un mur dans son parcours d'automatisation : l'équipe devait continuellement mettre à jour ses modèles de ML pour reconnaître et traiter de nouvelles informations dans 20 % des dossiers financiers reçus chaque mois. Même si l'équipe passait moins de temps à analyser les données des clients, elle devait maintenant se concentrer sur le traitement et l'amélioration de la qualité des données pour les modèles de ML, ce qui prenait du temps sur la gestion des investissements et des relations avec les clients.

Avec sa configuration précédente, Canopy ne pouvait pas entraîner à nouveau les modèles de ML pendant qu'ils étaient utilisés, et avait recours au travail le week-end, afin de minimiser autant que possible les temps d'arrêt de sa plateforme. Le processus de nouvel entraînement pouvait prendre jusqu'à 48 heures par semaine. Canopy s'est tournée vers AWS pour la conseiller sur la manière de rationaliser ce processus et d'améliorer ses capacités d'OCR.

« Nous avons commencé par demander si le processus pour entraîner à nouveau nos modèles de ML pouvait être entièrement automatisé et c'est là que les conseils d'AWS se sont avérés inestimables », déclare M. Gupta. « L'équipe AWS nous a indiqué la bonne direction avec Amazon SageMaker et nous a guidés pendant sa mise en œuvre pour s'assurer que nous étions toujours assistés. »

Amazon SageMaker a permis à Canopy de développer efficacement ses modèles de ML et d'améliorer ses capacités d'OCR sans avoir à investir dans le recrutement d'ingénieurs des données supplémentaires ; la solution permet à Canopy de consolider la création, l'entraînement et le déploiement des modèles de ML sur une seule plateforme. SageMaker met automatiquement à jour les modèles de ML, chaque fois qu'il découvre de nouvelles informations en analysant les dossiers financiers.

Grâce à ses capacités de ML, Canopy traite désormais 2 000 dossiers financiers de clients par mois, ce qui permet à son équipe de données de se concentrer sur l'innovation des produits et contribue à une croissance de 300 % de l'activité. Elle sert désormais des milliers de clients et gère 120 milliards USD d'actifs en 2021.

L'entreprise cherche à évoluer pour répondre à une demande des utilisateurs multipliée par dix, maintenant qu'elle a rationalisé son traitement des données avec AWS.

Pour l'avenir, Canopy prévoit d'étendre ses activités aux États-Unis en 2021 et s'est fixé pour objectif de doubler ses actifs gérés d'ici fin 2021. L'entreprise a l'intention de recourir à AWS Managed Services (AMS) pour une plus grande assistance dans ses opérations de backend, afin de soutenir ses plans de croissance.

« AWS nous a permis d'amener nos capacités de ML à un niveau tel que nous pouvons traiter des mois de données en quelques jours. Si nous devions décupler le nombre de documents financiers que nous devons traiter pour nos clients demain, nous pourrions facilement y faire face. Nous avons maintenant une plus grande liberté pour développer notre activité, et c'est exactement ce que nous prévoyons de faire, » conclut M. Gupta.

 Pour en savoir plus, veuillez consulter le site aws.amazon.com/sagemaker.