Par rapport aux modèles d'apprentissage automatique traditionnels, les modèles de fondation de NeoSpace alimentés par NVIDIA ont fourni de meilleurs résultats pour l'ensemble des populations de clients, des modalités de données et au fil du temps. NeoSpace a obtenu une précision d'au moins 30 à 50 % plus élevée, ce qui permet à ses clients du secteur des services financiers d'étendre les cas d'utilisation de l'IA sans revoir l'architecture de leur infrastructure.

Dans le cadre d'un déploiement phare, NeoSpace a collaboré avec une autre grande institution financière d'Amérique latine pour créer une solution de modélisation des propensions sur des données tabulaires à grande échelle afin d'identifier les clients les plus susceptibles de contracter un crédit à tempérament. 

Le modèle a été évalué à l'aide du test de Kolmogorov–Smirnov (KS), du taux d'acceptation et du taux de conversion par décile. Ce déploiement a touché 6 millions de clients en production et a exploité plus de 10 To de données couvrant plus de 50 millions de clients, notamment les Feature Stores de CRM, les variables d'éligibilité, l'historique des comportements contractuels, les données transactionnelles et bien plus encore.

Par rapport aux ressources de référence existantes de la banque, NeoSpace a permis d'améliorer les performances de KS de 10 à 20 points. Le taux d'acceptation dans le premier décile a augmenté de 20 à 30 points de pourcentage, ce qui montre qu'une plus grande proportion de clients ayant souscrit à l'offre de crédit à tempérament de la banque était concentrée dans le segment à plus forte propension. Ces gains de performances ont permis à la banque de contacter moins de clients tout en obtenant des résultats globaux plus élevés, en augmentant l'efficacité par interaction et en permettant des campagnes à plus fort impact.

Dans l'ensemble, l'amélioration de la stratégie de propension s'est traduite par une augmentation de 10 % des offres de crédit à tempérament, grâce à un meilleur classement des clients à forte propension et à un engagement précis. Ces modèles de fondation constituent la nouvelle couche prédictive de base de l'institution, qui fournit des prédictions plus stables, une rentabilisation plus rapide et une amélioration de l'efficacité commerciale.

NeoSpace teste un modèle fusionné qui combine le modèle tabulaire actuel avec des données transactionnelles basées sur des événements, telles que les transactions par carte de crédit, l'activité des comptes chèques et les paiements de factures, et devrait apporter environ 5 points de pourcentage d'augmentation supplémentaire de l'offre de crédit à tempérament.

La banque déploie déjà ce framework de modélisation de la propension d'un seul produit à près de 50 produits financiers, créant ainsi une plateforme qui comprend chaque client, anticipe ses besoins et développe l'engagement personnalisé.

En créant NeoData sur la plateforme NVIDIA Blackwell et la pile logicielle CUDA, NeoSpace a déployé des modèles de fondation de services financiers prêts pour la mise en production qui lient les données aux décisions pour certaines des plus grandes institutions financières d'Amérique latine.