Dr. Sai Zeng, Director de AI CoE & Distinguido Ingeniero de UBS, en AI for Financial Services NYC - AI Éxitos en la gestión de inversiones

Acerca de Sai Zeng: En UBS, dirige la implementación de estrategias AI para mejorar data , la reducción de riesgos y la eficiencia operativa en todas las funciones del grupo bancario.

Acerca de UBS: UBS es una Compañia global de servicios financieros Compañia servicios de gestión patrimonial, gestión de activos y banca de inversión. Opera en los principales centros financieros de todo el mundo, proporcionando soluciones financieras a medida a una clientela diversa.

Contar con data sénior e integrar talentos diversos en los campos del aprendizaje automático, el aprendizaje profundo y el procesamiento del lenguaje natural es fundamental para ampliar AI . El desarrollo conjunto de soluciones con los equipos de desarrollo y las partes interesadas del negocio fomenta un enfoque de data full stack data

AI el aprendizaje automático se consideran extensiones de los productos y soluciones existentes, y no productos independientes. Esto fomenta una estrecha colaboración con los equipos de desarrollo y los responsables de producto para integrar AI en los marcos existentes.

Los equipos dedican aproximadamente el 20 % de su capacidad a la innovación y la experimentación con nuevos modelos de lenguaje a gran escala (LLM) y tecnologías. Este enfoque estructurado garantiza que la experimentación orientada a la resolución de problemas se ajuste a los objetivos de la organización, equilibrando la necesidad de innovación con la consecución de avances y valor cuantificables.

Entre AI se incluyen una herramienta de búsqueda de documentos jurídicos que mejora la funcionalidad de búsqueda en 20 millones de documentos y una herramienta de comentarios automáticos para controladores financieros que automatiza data y la generación de comentarios. Estas herramientas mejoran la eficiencia operativa y dan respuesta a necesidades empresariales específicas.

Es fundamental contratar a personas que comprendan AI y sean capaces de integrar esas capacidades en las soluciones de producto. Esto implica el concepto de data full stack data , es decir, profesionales que dominen AI, el desarrollo de software, la implementación y la escalabilidad en entornos de producción, garantizando así un enfoque integral desde el principio.

El tiempo dedicado a la innovación surge a raíz de problemas reales. Tras la adquisición de Credit Suisse, un caso concreto consistió en consultas del departamento de RR. HH. sobre la comparación de planes 401(k). Esta investigación fue más allá de las simples preguntas y abarcó marcos complejos con múltiples agentes, lo que inspiró nuevas investigaciones e innovaciones.

AI los servicios financieros se centra en la eficiencia operativa y el ahorro de costes, con ventajas como la mejora de la experiencia del cliente y de las ventas y el marketing. AI en chatbots para preguntas frecuentes internas, la generación automática de informes y la automatización en ámbitos como los procesos de lucha contra el blanqueo de capitales (AML) y de «conozca a su cliente» (KYC) se están implantando rápidamente.

Una herramienta de búsqueda de documentos jurídicos se enfrentó a retos como la gestión de 20 millones de documentos y la implementación del control de acceso. El equipo desarrolló un sistema de búsqueda de documentos jurídicos similar al de Google, centrándose en la escalabilidad y el control de acceso. El proceso, desde la prueba de concepto hasta la puesta en producción, duró más de un año.

Una herramienta de comentarios automáticos para responsables financieros que automatiza data y la generación de comentarios. Esta herramienta agiliza el proceso de explicar los cambios significativos en la cuenta de resultados, sustituyendo data manual data por soluciones automatizadas. Incorpora modelos de lenguaje a gran escala para detectar patrones lingüísticos y generar comentarios diarios.

AI siguen procesos de aprobación establecidos similares a los de los modelos de riesgo. Aportar pruebas de los datos de entrada, los resultados y los indicadores garantiza el cumplimiento de las normas de gobernanza. Los modelos de lenguaje a gran escala requieren nuevos enfoques de validación, que reflejen la naturaleza cambiante de AI .

Garantizar la precisión sin caer en la fantasía es todo un reto, especialmente en data estructurados. Las soluciones pasan por utilizar AI para interpretar data elaborar respuestas, minimizando así los errores. La interacción con grandes modelos de lenguaje se centra en elaborar respuestas basadas en data precisos data mediante sentencias SQL.