Pepperstone utilise le machine learning sur AWS pour offrir une expérience de trading globale fluide

Lors du choix d'un courtier en ligne, la confiance et le service client sont des critères importants. Les plateformes de trading qui sont établies depuis longtemps et disposent de multiples licences réglementaires ont tendance à être des valeurs sûres. Lors de ses Broker Awards 2021, DayTrading.com a désigné Pepperstone comme le meilleur courtier Forex, en grande partie pour sa présence mondiale et ses « plateformes ultrafiables ». Pepperstone est une plateforme de trading en ligne de devises (forex) et de valeurs mobilières basée à Melbourne qui compte plus de 40 000 visiteurs uniques par mois.

Depuis sa création en 2010, Pepperstone s'appuie sur le cloud Amazon Web Services (AWS). « AWS propose des innovations fréquentes ainsi que des solutions flexibles et prêtes à l'emploi qui nous aident à gérer notre activité de manière plus efficace », explique Tony Gruebner, Chief Marketing Officer chez Pepperstone. La conteneurisation et l'utilisation de services gérés prêts à l'emploi comme Amazon Elastic Kubernetes Service (Amazon EKS) ont joué un rôle essentiel dans la capacité de Pepperstone à développer rapidement sa clientèle et à faire évoluer ses services en toute sécurité. Rien qu'en 2020, Pepperstone a enregistré une croissance de 20 à 30 %.

Avec Amazon EKS, Pepperstone peut standardiser les opérations dans n'importe quel environnement. L'entreprise peut tirer parti de l'automatisation pour des déploiements multirégionaux cohérents au fur et à mesure de son expansion dans de nouveaux pays. En 2020, Pepperstone a obtenu cinq nouvelles licences réglementaires auprès d'agences telles que la Dubai Financial Services Authority, en plus des deux licences qu'elle détenait auparavant en Australie et au Royaume-Uni. Les efforts réglementaires de l'entreprise lui ont ouvert la porte de nouvelles régions, notamment l'Afrique et l'Europe.

Le machine learning (ML) et l'intelligence artificielle (IA) sont les principales technologies de Pepperstone. Outre une équipe informatique de 70 personnes réparties dans quatre pays, la société dispose à Melbourne d'une équipe de science des données dédiée au développement de modèles ML. Au départ, les scientifiques des données ont développé leurs propres algorithmes pour les exécuter sur AWS. Ils sont ensuite passés à Amazon SageMaker en 2019 avec AWS Fargate pour automatiser la création et le déploiement de modèles de machine learning.

Lors du passage à Amazon SageMaker pour l'entraînement des modèles, l'équipe de science des données de Pepperstone n'a eu aucun mal à adapter l'outil à ses flux de travail. « La courbe d'apprentissage des nouveaux outils d'IA ou de ML est généralement assez raide, mais nous avons tout de suite commencé avec Amazon SageMaker. Nous avons gagné beaucoup de temps dès le premier jour en hébergeant, en entraînant et en déployant au sein de l'environnement AWS », explique Samuel Ellett, Lead Data Scientist chez Pepperstone. Le temps requis pour entraîner des modèles de machine learning est passé de 180 heures sur des machines locales à 4,3 heures sur Amazon SageMaker.

Pour obtenir de nouvelles licences réglementaires, Pepperstone a dû démontrer qu'elle appliquait un processus rigoureux de connaissance du client (KYC) pour sélectionner les traders accédant à la plateforme. Avant la mise en œuvre d'Amazon SageMaker, la majeure partie du processus de révision des documents était manuelle. Le personnel vérifiait personnellement l'authenticité des documents soumis, tels que les images de passeport. Souvent, il passait des heures à intégrer un client pour découvrir quelques jours plus tard qu'il n'était pas celui qu'il prétendait être.

Pepperstone peut désormais identifier les fraudes potentielles le jour même où les nouveaux clients chargent leurs documents en déployant des modèles de détection des fraudes dans Amazon SageMaker. Les scientifiques des données ont entraîné les modèles de machine learning à comparer les documents soumis à des millions d'images stockées dans un lac de données Amazon Simple Storage Service (Amazon S3). Dans ces données se trouvent des images authentiques comme modifiées de documents d'identité courants du monde entier.

Le système attribue ensuite un score à chaque client potentiel avec un pourcentage révélant la probabilité d'une falsification illicite de la documentation soumise. L'équipe d'intégration reçoit les résultats et effectue un suivi en signalant les soumissions afin de demander une preuve d'identité supplémentaire. Cela améliore le processus décisionnel de l'équipe, ce qui se traduit par une réduction du temps passé à traiter manuellement les vérifications d'identité.

Outre le gain de temps, le niveau de détail et de précision fourni par Amazon SageMaker est bien supérieur à ce que les humains pourraient atteindre. « Il n'aurait pas été possible pour les humains de comparer 3 millions de documents et, bien souvent, les éléments frauduleux sont si minimes qu'ils sont très difficiles à détecter à l'œil nu », explique Samuel Ellett. 

L'accélération du processus d'intégration profite également aux nouveaux clients. La concurrence est rude entre les plateformes de trading en ligne et les traders ne sont pas cantonnés à une plateforme en particulier. Par conséquent, un processus d'intégration fluide est essentiel pour établir la confiance avec Pepperstone. « Non seulement l'automatisation de l'intégration grâce au machine learning nous a aidés sur le plan opérationnel, mais elle a également créé un processus plus fluide qui améliore considérablement l'expérience client. Notre objectif est de rendre le trading agréable, notamment en évitant les retards inutiles ou les obstacles à l'entrée », explique Tony Gruebner.

Pepperstone utilise également les modèles de ML générés dans Amazon SageMaker pour aider l'équipe commerciale à évaluer et à convertir les prospects. Chaque client se voit attribuer un score lorsqu'il intègre la plateforme. Cela permet à l'équipe commerciale de cibler les efforts de service client. Le score est mis à jour en temps réel au fur et à mesure que les données de leurs clients s'accumulent lors de la navigation sur le site Pepperstone. Cela permet à l'équipe commerciale de mieux gérer les charges de travail et de fournir un niveau de service personnalisé qui différencie l'entreprise sur le marché des courtiers en ligne. « Amazon SageMaker est un outil fantastique qui garantit que l'ensemble du pipeline de science des données est aussi intégré et automatisé que possible, en transférant les données quand et où vous en avez besoin », ajoute Tony Gruebner.

Grâce aux fonctionnalités prêtes à l'emploi qu'offre Amazon SageMaker, l'équipe de science des données de Pepperstone n'est plus tributaire des ingénieurs DevOps surchargés. Les ingénieurs de données comptent toujours sur l'équipe DevOps pour configurer un environnement de test (sandbox) dans Amazon SageMaker. Après ça, les ingénieurs peuvent exécuter des démonstrations de faisabilité de manière indépendante. « Nous avons réussi à mettre fin à un conflit de ressources entre les équipes chargées des données et celles de DevOps. Amazon SageMaker nous permet de créer quelque chose rapidement, de tester notre hypothèse et de l'arrêter juste après afin que cela ne coûte pas trop cher. Nous réalisons donc davantage d'expériences », conclut Samuel Ellett.

 Pour en savoir plus, rendez-vous sur aws.amazon.com/machine-learning et aws.amazon.com/startups.