Contexte et objectifs
Raymond James Financial, société de services financiers diversifiés, a intégré les graphes de connaissances comme couche de raisonnement pour ses projets d’intelligence artificielle. Selon Jeff Griffith, vice‑président de l’ingénierie IA, le graphe permet de croiser des domaines de données qui, autrement, resteraient isolés. L’objectif principal est d’assurer que les agents IA opèrent sur des informations provenant de systèmes fiables, appelés « golden sources », afin de répondre aux exigences de précision du secteur financier.
Architecture du graphe de connaissances
En tant que client de Neo4j, Raymond James stocke les relations, dépendances et contextes métier dans une base de graphes. Chaque nœud représente une entité (compte, produit, transaction) et chaque arête encode la connexion logique entre ces entités. Lorsque des données sont extraites de sources multiples, elles sont d’abord ingérées dans Neo4j, puis comparées aux golden sources via des évaluations automatisées. Mahankali précise que ces évaluations garantissent une exactitude de 100 % avant tout déploiement d’un modèle IA. Cette approche centralise la gouvernance des données et élimine les incohérences liées aux silos traditionnels.
Intégration avec les agents IA et impacts opérationnels
Le graphe alimente plusieurs agents IA, dont « Raimond », l’assistant numérique interne lancé en janvier. Raimond exploite les requêtes dynamiques du graphe pour fournir aux conseillers financiers des réponses sans passer par des tableaux de bord fixes. Ainsi, un conseiller peut interroger le système sur l’équilibre d’un portefeuille ou comparer des produits en temps réel, ce qui réduit le temps de recherche d’information. Griffith note que l’adoption de cet assistant a conduit à un déplacement des compétences requises : les équipes passent de l’exécution de tâches répétitives à la résolution de problèmes complexes, soutenues par des outils IA intégrés au poste de travail.
