Dr. Sai Zeng, chefe do AI e engenheiro de destaque da UBS, no evento AI Serviços Financeiros em Nova York – AI na Gestão de Investimentos”

Sobre Sai Zeng: Na UBS, ela lidera a implementação de estratégias AI para aprimorar data , a redução de riscos e a eficiência operacional em todas as funções do grupo bancário.

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 investimento. Atua nos principais centros financeiros do mundo, oferecendo soluções financeiras personalizadas a uma clientela diversificada.

A formação de data sênior e a integração de talentos diversificados nas áreas de aprendizado de máquina, aprendizado profundo e processamento de linguagem natural são fundamentais para a expansão AI . O desenvolvimento conjunto de soluções com equipes de desenvolvimento e partes interessadas da empresa promove uma abordagem data full stack data

AI o aprendizado de máquina são vistos como extensões de produtos e soluções existentes, e não como produtos independentes. Isso incentiva uma colaboração estreita com equipes de desenvolvimento e proprietários de produtos para integrar AI às estruturas existentes.

As equipes dedicam cerca de 20% de sua capacidade à inovação e à experimentação com novos modelos de linguagem de grande escala (LLMs) e tecnologias. Essa abordagem estruturada garante que a experimentação orientada por problemas esteja alinhada com os objetivos organizacionais, equilibrando a necessidade de inovação com a geração de progresso e valor mensuráveis.

AI incluem uma ferramenta de pesquisa de documentos jurídicos que aprimora a funcionalidade de pesquisa em 20 milhões de documentos e uma ferramenta de comentários automáticos para controladores financeiros que automatiza data e a geração de comentários. Essas ferramentas aumentam a eficiência operacional e atendem a necessidades específicas da empresa.

É fundamental contratar pessoas que entendam de AI e sejam capazes de integrar essas capacidades às soluções de produto. Isso envolve o conceito de data full data , no qual os profissionais possuem conhecimentos de AI, desenvolvimento de software, implantação e escalabilidade em produção, garantindo uma abordagem holística desde o início.

O tempo dedicado à inovação é motivado por problemas reais. Após a aquisição do Credit Suisse, um caso de uso específico envolveu consultas do RH sobre a comparação de planos 401(k). Essa investigação foi além de simples perguntas, abrangendo estruturas complexas envolvendo múltiplos agentes, o que inspirou novas investigações e inovações.

AI serviços financeiros concentra-se na eficiência operacional e na redução de custos, trazendo benefícios como a melhoria da experiência do cliente e das atividades de vendas e marketing. AI em chatbots para perguntas frequentes internas, relatórios automatizados e automação em áreas como os processos de combate à lavagem de dinheiro (AML) e de conhecimento do cliente (KYC) estão entrando rapidamente em operação.

Uma ferramenta de pesquisa de documentos jurídicos enfrentou desafios como o gerenciamento de 20 milhões de documentos e a implementação do controle de acesso. A equipe desenvolveu um mecanismo de pesquisa de documentos jurídicos semelhante ao do Google, com foco na escalabilidade e no controle de acesso. O processo, desde a prova de conceito até a entrada em produção, levou mais de um ano.

Uma ferramenta de comentários automáticos para controladores financeiros automatiza data e a geração de comentários. Essa ferramenta agiliza o processo de explicar variações significativas na demonstração de resultados, substituindo data manual data por soluções automatizadas. Ela integra grandes modelos de linguagem para identificar padrões linguísticos e gerar comentários diários.

AI seguem processos de aprovação estabelecidos, semelhantes aos dos modelos de risco. A apresentação de evidências sobre os dados de entrada, os resultados e as métricas garante a conformidade com as normas de governança. Os grandes modelos de linguagem exigem novas abordagens de validação, refletindo a natureza em constante evolução AI .

Garantir a precisão sem erros é um desafio, especialmente em data estruturados. As soluções envolvem o uso AI para interpretar data elaborar respostas, minimizando os erros. A interação com grandes modelos de linguagem concentra-se na elaboração de respostas com base em data precisos data por meio de instruções SQL.