Un module de rapprochement bancaire de dernière génération
Ce module figure au premier plan des nouveautés proposées aux radiologues par Evolucare. Parmi les fonctionnalités dont pourront profiter les utilisateurs, outre le rapprochement automatique et manuel des mouvements bancaires, on peut citer l’archivage des relevés et un tableau de bord intuitif pour une gestion financière plus visuelle. Pour apporter un vrai «plus» aux radiologues, Evolucare n’a pas hésité à intégrer un moteur d’intelligence artificielle, leur offrant ainsi un gain de temps et de sécurité en matière de données financières.
Lionel Ribière, responsable de produit imagerie, explique quelle a été la démarche de l’entreprise dans le cadre de ce développement : « Un module de rapprochement bancaire permet de réconcilier les paiements avec les accusés de réglement des divers centres (Noemie…), afin de fiabiliser la trésorerie des cabinets médicaux. En étudiant les besoins des utilisateurs et les logiciels utilisés jusqu’à présent, nous avons pu constater que les mouvement bancaires complexes, qui ne peuvent être rapprochés automatiquement par les algorithmes classiques, mobilisent énormément de temps humain. Pour aboutir à un système efficient, nous avons donc fait appel à notre division innovation, Evolucare Labs. Après une phase de recherche approfondie, nous avons pu construire un moteur d’intelligence artificielle qui sait aller beaucoup plus loin dans le rapprochement de ces mouvements. L’utilisateur se voit ainsi proposer un sous-ensemble pertinent de combinaisons possibles, réduisant alors significativement sa tâche et le risque d’erreurs de rapprochement ».
Sylvain Darras, responsable des projets d’optimisation, nous éclaire sur la partie technique de ces innovations : « Je fais partie des Labs, la branche Innovation d’Evolucare. Quand Lionel est venu me présenter un projet de rapprochement bancaire intégrant de l’IA, j’ai tout de suite vu que la problématique correspondait à l’une de nos spécialités : l’informatique combinatoire. En étudiant les différentes combinaisons possibles, et en s’appuyant sur un algorithme de type «évolutionnaire» qui améliore à chaque étape la solution; on atteint alors rapidement une qualité de réponse et une fiabilité remarquables sur ce type de problèmes. Dans un second temps, nous pourrons encore améliorer le processus en adjoignant un réseau de neurones capable d’accumuler l’expérience en comparant les différences entre les propositions de rapprochement et les choix finaux des utilisateurs et d’optimiser directement les solutions ultérieures en conséquence ».
