Dr. Sai Zeng, chefe do AI CoE e engenheiro renomado do UBS, no AI for Financial Services NYC - AI Successes in Investment Management

Sobre Sai Zeng: No UBS, ela lidera a implementação de estratégias baseadas em IA para aprimorar o gerenciamento de data, a redução de riscos e a eficiência operacional em todas as funções do grupo do banco.

Sobre o UBS: O UBS é uma empresa global de serviços financeiros que oferece serviços de gestão de patrimônio, gestão de ativos e banco de investimentos. Opera nos principais centros financeiros do mundo, fornecendo soluções financeiras sob medida para uma clientela diversificada.

A replicação de cientistas sênior do data e a integração de diversos talentos em aprendizado de máquina, aprendizado profundo e PNL são cruciais para o dimensionamento da tecnologia de IA. O co-desenvolvimento de soluções com equipes de desenvolvimento e partes interessadas nos negócios promove uma abordagem de “cientista data de pilha completa”.

A IA e o aprendizado de máquina são vistos como extensões de produtos e soluções existentes, e não como produtos autônomos. Isso incentiva a estreita colaboração com as equipes de desenvolvimento e os proprietários de produtos para integrar os modelos de IA às estruturas existentes.

As equipes dedicam cerca de 20% de sua capacidade à inovação e à experimentação de novos modelos de linguagem ampla (LLMs) e tecnologias. Essa abordagem estruturada garante que a experimentação orientada por problemas se alinhe às metas organizacionais, equilibrando a necessidade de inovação com o fornecimento de progresso e valor mensuráveis.

Os aplicativos de IA incluem uma ferramenta de pesquisa de documentos jurídicos que melhora a funcionalidade de pesquisa de 20 milhões de documentos e uma ferramenta de comentários automáticos para controladores financeiros que automatiza a agregação de data e a geração de comentários. Essas ferramentas aumentam a eficiência operacional e atendem a necessidades comerciais específicas.

É fundamental contratar pessoas que entendam de algoritmos de IA e possam integrar recursos com soluções de produtos. Isso envolve um conceito de “cientista full stack data”, em que os profissionais conhecem IA, desenvolvimento de software, implantação e escalabilidade na produção, garantindo uma abordagem holística desde o início.

O tempo dedicado à inovação é impulsionado por problemas reais. Após a aquisição do Credit Suisse, um caso de uso específico envolveu consultas de RH sobre a comparação de planos 401(k). Essa exploração foi além de perguntas simples e chegou a estruturas complexas de vários agentes, inspirando mais exploração e inovação.

A IA nos serviços financeiros se concentra na eficiência operacional e na economia de custos, com benefícios como melhor experiência do cliente e vendas/marketing. Os aplicativos de IA em chatbots internos de FAQs, relatórios automatizados e automação em áreas como processos de combate à lavagem de dinheiro (AML) e de conhecimento do cliente (KYC) estão entrando rapidamente em produção.

Uma ferramenta de pesquisa de documentos jurídicos enfrentou desafios como lidar com 20 milhões de documentos e implementar o controle de acesso. A equipe desenvolveu uma pesquisa de documentos jurídicos semelhante à do Google, com foco na escalabilidade e no controle de acesso. A jornada da prova de conceito à produção levou mais de um ano.

Uma ferramenta de comentários automáticos para controladores financeiros automatiza a agregação do data e a geração de comentários. Essa ferramenta agiliza o processo de explicação de mudanças significativas nos lucros e perdas (P&L), substituindo a classificação manual do data por soluções automatizadas. Ela integra grandes modelos de linguagem para descobrir padrões de linguagem e gerar comentários diários.

Os modelos de IA seguem processos de aprovação estabelecidos semelhantes aos modelos de risco. O fornecimento de evidências de entrada, saída e métricas garante a conformidade com os padrões de governança. Grandes modelos de linguagem precisam de novas abordagens de validação, refletindo a natureza evolutiva das tecnologias de IA.

Garantir a precisão sem alucinação é um desafio, principalmente em ambientes data estruturados. As soluções envolvem o uso de modelos de IA para interpretar o data e compor respostas, minimizando os erros. A interação com grandes modelos de linguagem se concentra na composição de respostas com base no data preciso extraído por meio de instruções SQL.