El sector de los servicios financieros se sienta sobre un auténtico tesoro de datos. No es de extrañar que esté repleto de casos de uso prometedores de inteligencia artificial y aprendizaje automático. Si se despliega con éxito, la IA puede generar hasta 2 billones de dólares en valor en la banca, según una estimación de McKinsey. En un webinar reciente, Shameek Kundu, ex CDO global de Standard Chartered y actual Chief Strategy Officer en TruEra, explicó cómo acelerar el valor de la IA en servicios financieros.
Shameek explicó que el valor de la ciencia de datos y la IA en servicios financieros puede agruparse en tres grandes bloques:
- Más ingresos gracias a una mejor experiencia del cliente y a decisiones más acertadas
- Reducción de costes mediante una gestión de riesgos más eficaz y una mayor eficiencia operativa
- Descubrir potenciales no explotados y nuevos modelos de negocio.
La aplicación de la IA en servicios financieros es amplia, pero superficial
Hoy en día, muchos proyectos de IA en servicios financieros siguen en pañales y no alcanzan el objetivo final de un despliegue completo por diversos motivos. Van desde problemas técnicos como la disponibilidad y calidad limitadas de los datos, cuellos de botella tecnológicos al desplegar sistemas de IA, hasta obstáculos no técnicos como la escasez de talento en datos y la confianza limitada en los sistemas de IA.
Cómo abordar la falta de confianza en los sistemas de IA
Aunque los modelos de aprendizaje automático complejos, como los modelos de deep learning, ofrecen soluciones de gran calado a problemas antes intratables como el plegamiento de proteínas, no son buenos explicando sus predicciones.
Estas cajas negras suponen riesgos sociales si se aplican a ciegas en decisiones críticas como la lucha contra el blanqueo de capitales y el credit scoring. Al no saber cómo llegan a sus predicciones los modelos de caja negra, a los usuarios finales les cuesta confiar en sus resultados, especialmente tras incidentes sonados de sesgos en sistemas de IA.
Según Shameek, hay tres acciones clave para fomentar la confianza en la IA.
Desmitificar el machine learning a través de la educación
Formación general para todos La educación es la estrategia a largo plazo para abordar el miedo a la IA. A medida que los stakeholders internos, los reguladores y los clientes adquieren una comprensión general de cómo les impacta la IA, están más dispuestos a aceptarla.
Formación especializada para cerrar la brecha de habilidades La falta de talento técnico impide a las empresas implantar sistemas de IA a escala. Por ello, las empresas que quieran extraer valor de sus sistemas de IA deben estar dispuestas a contratar talento en datos o a ofrecer formación especializada para capacitar a su plantilla actual.
Establecer barreras internas para los sistemas de IA
Las barreras internas actúan como pautas para implantar, evaluar y supervisar los sistemas de IA.
Estas barreras tienen tres componentes principales.
- Un conjunto de principios rectores que define los límites de lo que puede hacer la IA dentro de la empresa.
- Facilitadores para los stakeholders internos que permiten una implantación segura de la IA
- Herramientas y tecnologías estándar para evaluar la equidad de los sistemas de IA
Usar herramientas y tecnologías para mejorar la calidad de la IA
Las brechas en el ciclo de vida de la IA hacen que se cuelen problemas de calidad en los sistemas. Por suerte, hay herramientas para mitigarlos.
Explicar los modelos de caja negra El ámbito de la IA explicable sigue siendo un campo de investigación muy activo. Promete abrir las cajas negras, desmitificar y generar confianza en el proceso de generación de predicciones.
Abordar la baja calidad de datos y etiquetas Un estudiante puede suspender un examen sobre un tema que no domina; un modelo de aprendizaje automático puede rendir por debajo de lo esperado si se entrena con datos inadecuados. Los sistemas de IA pueden fallar si los datos con los que se entrenan difieren mucho de los que encuentran en producción. El Responsible AI Widget de Microsoft en Python puede ayudar a identificar y resolver estos problemas.
Probar la transparencia y la equidad del modelo Los modelos pueden presentar sesgos injustos contra una población, como una minoría racial o un determinado género, debido a sesgos ocultos en los datos de entrenamiento. Soluciones de código abierto como fairlearn y AI Fairness 360 de IBM pueden ayudar a cubrir estas carencias.
Conclusión
Generar confianza en la IA dentro de una empresa requiere colaboración y tiempo. Las organizaciones deben formar y capacitar talento en IA y establecer salvaguardas para su seguridad, mientras que los profesionales de IA deben aprovechar al máximo las herramientas disponibles para hacer que la IA sea justa para todos. Solo cuando la IA gane de verdad la confianza de sus usuarios veremos una adopción generalizada.
Si te interesa la aplicación de la IA en servicios financieros, no te pierdas el webinar on-demand de Shameek, «Scaling AI Adoption in Financial Services». Ofrece ideas sobre aplicaciones de la IA y consejos prácticos para acelerar su adopción.
