O setor de serviços financeiros senta sobre um verdadeiro tesouro de dados. Não é à toa que a indústria está repleta de casos de uso promissores de inteligência artificial e machine learning. Quando bem implementada, a IA pode gerar até US$ 2 trilhões em valor para o setor bancário, segundo estimativa da McKinsey. Em um webinar recente, Shameek Kundu, ex-Group CDO do Standard Chartered e atual Chief Strategy Officer na TruEra, mostrou como acelerar a geração de valor da IA em serviços financeiros.
Shameek explicou que o valor da ciência de dados e da IA em serviços financeiros pode ser agrupado em três grandes frentes:
- Mais receitas por meio de uma melhor experiência do cliente e decisões mais acertadas
- Redução de custos com uma gestão de riscos mais eficaz e ganhos de eficiência operacional
- Descoberta de potenciais não explorados e novos modelos de negócio.
A aplicação de IA em serviços financeiros é ampla, mas superficial
Hoje, muitos projetos de IA em serviços financeiros ainda estão no início e não chegam ao objetivo final de serem totalmente implantados por uma série de motivos. Eles vão desde questões técnicas, como disponibilidade e qualidade limitada de dados e gargalos tecnológicos na implantação de sistemas de IA, até obstáculos não técnicos, como falta de talentos em dados e baixa confiança nos sistemas de IA.
Como enfrentar a falta de confiança em sistemas de IA
Embora modelos complexos de machine learning, como modelos de deep learning, tragam soluções profundas para problemas antes intratáveis, como o enovelamento de proteínas, eles não são bons em explicar suas previsões.
Essas “caixas-pretas” trazem riscos sociais se seus resultados forem aplicados cegamente em decisões de alto impacto, como combate à lavagem de dinheiro e concessão de crédito. Sem saber como esses modelos chegam às previsões, os usuários finais têm dificuldade em confiar nos resultados, especialmente diante de incidentes de destaque envolvendo sistemas de IA enviesados.
Segundo Shameek, três ações-chave podem fortalecer a confiança em IA.
Desmistifique o machine learning com educação
Educação geral para todos Educação é a estratégia de longo prazo para reduzir o medo em relação à IA. À medida que stakeholders internos, reguladores e clientes entendem, de forma geral, como a IA os impacta, a sua aceitação aumenta.
Formação especializada para reduzir o gap de competências A falta de talento técnico impede as empresas de escalar a implantação de sistemas de IA. Por isso, quem busca extrair valor de IA precisa estar disposto a contratar talentos em dados ou oferecer treinamentos especializados para capacitar os colaboradores atuais.
Crie diretrizes internas para sistemas de IA
Diretrizes internas funcionam como orientações para implementar, avaliar e monitorar sistemas de IA.
Essas diretrizes têm três componentes principais.
- Um conjunto de princípios norteadores que define os limites do que a IA pode fazer dentro da empresa.
- Habilitadores para os stakeholders internos que facilitam a implementação segura de IA
- Ferramentas e tecnologias padronizadas para avaliar equidade e conformidade dos sistemas de IA
Use ferramentas e tecnologias para elevar a qualidade da IA
Lacunas no ciclo de vida de IA permitem que problemas de qualidade se infiltrem nos sistemas. Felizmente, existem ferramentas para mitigá-los.
Explicando modelos de caixa-preta A área de IA explicável segue em intensa pesquisa. Ela promete abrir as caixas-pretas, desmistificando e gerando confiança no processo de geração de previsões.
Enfrentando baixa qualidade de dados e rótulos Um aluno pode ir mal em uma prova sobre um tema desconhecido; um modelo de machine learning também pode ter desempenho ruim se for treinado nos dados errados. Sistemas de IA podem falhar quando os dados de treinamento diferem muito dos dados vistos em produção. O Responsible AI Widget em Python da Microsoft pode ajudar a identificar e resolver esses problemas.
Testando transparência e equidade do modelo Modelos podem apresentar viés injusto contra determinados grupos, como uma minoria racial ou um gênero específico, devido a vieses ocultos nos dados de treinamento. Soluções open source como o fairlearn e o AI Fairness 360 da IBM ajudam a endereçar essas lacunas.
Conclusão
Construir confiança em IA dentro de uma empresa exige colaboração e tempo. As organizações precisam capacitar talentos em IA e estabelecer salvaguardas para a segurança da IA, enquanto os profissionais da área devem aproveitar ao máximo as ferramentas disponíveis para tornar a IA justa para todos. Só quando a IA conquista a confiança dos usuários é que os sistemas passam a ser amplamente adotados.
Se você se interessa pela aplicação de IA em serviços financeiros, confira o webinar on-demand do Shameek sobre "Scaling AI Adoption in Financial Services". Ele traz insights sobre aplicações de IA e conselhos práticos para acelerar sua adoção.
