Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Jiangsu Suning Bank (苏商银行)
Jiangsu Suning Bank utilise DeepSeek-VL2 pour lire les dossiers de crédit, avec une précision de reconnaissance supérieure à 97 %
Jiangsu Suning Bank, une banque chinoise, applique DeepSeek-VL2, le modèle à poids ouverts de DeepSeek, à la lecture des documents des demandes de crédit, y compris les tableaux imbriqués et les pièces photographiées. Un représentant de la banque a déclaré au China Securities Journal que la précision de reconnaissance dépassait 97 % et que l’ensemble de l’examen du crédit était devenu 20 % plus efficace.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
超97% (plus de 97 %)
Précision globale de la reconnaissance des pièces des demandes de crédit, selon un représentant de la banque1
提升了20% (améliorée de 20 %)
Efficacité de l’ensemble du processus d’examen du crédit, selon un représentant de la banque1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
Les banques doivent lire d’énormes piles de documents avant d’accorder un prêt. Les demandes de crédit arrivent sous forme de scans, de photos et de tableaux imbriqués dans d’autres tableaux. La banque dit que son ancien logiciel de reconnaissance de texte, connu sous le nom d’OCR, peinait avec des taux de reconnaissance faibles pour les tableaux, l’écriture manuscrite et les documents photographiés.
Ce qu’ils ont construit
Jiangsu Suning Bank, appelée 苏商银行 dans la source, applique DeepSeek-VL2 aux pièces de crédit. DeepSeek-VL2 est un modèle multimodal, c’est-à-dire qu’il traite ensemble le texte et les images. DeepSeek le publie comme modèle à poids ouverts : ses fichiers peuvent donc être exécutés et adaptés par la banque elle-même. Le modèle lit les tableaux imbriqués et les fichiers image, et en extrait le contenu.
Comment ils s’y sont pris
L’article donne peu de détails techniques. La banque décrit l’association du modèle multimodal à une architecture de mélange d’experts, une approche où différentes parties d’un modèle traitent différents types de données. Elle n’indique ni l’équipe, ni le coût, ni le calendrier. L’article ajoute que les banques, en général, sont prudentes au début : elles choisissent d’abord quelques scénarios et élargissent l’usage ensuite.
Résultats
Un représentant de la banque affirme que la précision globale de la reconnaissance des pièces de crédit est passée à plus de 97 %. La même personne affirme que l’efficacité de l’ensemble du processus d’examen du crédit a progressé de 20 %. Ce sont des déclarations de la banque elle-même, relayées par le journal. Aucune donnée avant-après, aucun échantillon ni aucune période de mesure n’ont été publiés.
Enseignements pour votre projet
Commencez par les étapes riches en documents où les erreurs sont faciles à compter. Les dossiers de crédit mêlent tableaux, scans et photos : la précision de reconnaissance offre une mesure claire avant-après.
Nommez ce que l’ancien outil ne savait pas faire. La banque a décrit la faible reconnaissance des tableaux, de l’écriture manuscrite et des documents photographiés comme les lacunes de son ancien logiciel de reconnaissance de texte, ce qui rend l’amélioration vérifiable.
Demandez à la banque ou à l’éditeur comment la précision est mesurée. La précision de reconnaissance des documents n’est pas celle de la décision de crédit finale.
Traitez le début du déploiement comme un pilote. L’article note que les banques sont en général prudentes au départ : elles choisissent quelques scénarios avant d’élargir l’usage.
Réserves
- Les deux chiffres sont des déclarations d’un représentant non identifié de la banque, citées par le China Securities Journal. Aucune mesure indépendante n’est rapportée.
- La source ne donne ni taille d’échantillon, ni période de test, ni définition de la référence, ni date de mise en service. La date de déploiement affichée est le mois de l’article.
- La source parle de l’« efficacité » de l’examen du crédit sans préciser s’il s’agit de temps, de coût ou de volume.
- L’article nomme la banque 苏商银行. Le nom anglais Jiangsu Suning Bank est la transcription de Lumiary.
- La source ne rapporte ni coût, ni taille d’équipe, ni calendrier.
Sources
- 银行的“DeepSeek时刻”：信贷审核等场景已搭上AI快车
China Securities Journal (中国证券报) · 2025-02-11 · Presse · cs.com.cn
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.