Dr. Sai Zeng, Jefe del CoE de IA e Ingeniero Distinguido de UBS, en AI for Financial Services NYC - Éxitos de la IA en la gestión de inversiones

Acerca de Sai Zeng: En UBS dirige la aplicación de estrategias impulsadas por la IA para mejorar la gestión data, la reducción de riesgos y la eficacia operativa en todas las funciones del grupo bancario.

Acerca de la UBS: UBS es una empresa global de servicios financieros que ofrece servicios de gestión de patrimonios, 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.

Replicar a los científicos sénior data e integrar diversos talentos en aprendizaje automático, aprendizaje profundo y PNL es crucial para escalar la tecnología de IA. El codesarrollo de soluciones con los equipos de desarrollo y las partes interesadas del negocio promueve un enfoque de “científico data de pila completa”.

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

Los equipos dedican alrededor del 20% de su capacidad a la innovación y la experimentación con nuevos grandes modelos lingüísticos (LLM) y tecnologías. Este enfoque estructurado garantiza que la experimentación orientada a la resolución de problemas se alinee con los objetivos de la organización, equilibrando la necesidad de innovación con la entrega de un progreso y un valor mensurables.

Las aplicaciones de IA incluyen una herramienta de búsqueda de documentos jurídicos que mejora la funcionalidad de búsqueda de 20 millones de documentos y una herramienta de autocomentario para controladores financieros que automatiza la agregación de data y la generación de comentarios. Estas herramientas mejoran la eficacia operativa y responden a necesidades empresariales específicas.

Es clave contratar a personas que entiendan los algoritmos de IA y puedan integrar las capacidades con las soluciones de producto. Esto implica un concepto de “científico de pila completa data”, en el que los profesionales conocen la IA, el desarrollo de software, el despliegue y la escalabilidad en producción, lo que garantiza un enfoque holístico desde el principio.

El tiempo dedicado a la innovación está impulsado por problemas reales. Tras la adquisición de Credit Suisse, un caso de uso específico implicaba consultas de RRHH sobre la comparación de planes 401(k). Esta exploración se extendió más allá de las simples preguntas a complejos marcos multiagente, inspirando una mayor exploración e innovación.

La IA en los servicios financieros se centra en la eficiencia operativa y el ahorro de costes, con beneficios como la mejora de la experiencia del cliente y de las ventas/marketing. Las aplicaciones de la IA en los chatbots internos de preguntas frecuentes, los informes automatizados y la automatización en áreas como los procesos contra el blanqueo de capitales (AML) y de conocimiento del cliente (KYC) están entrando rápidamente en producción.

Una herramienta de búsqueda de documentos jurídicos se enfrentaba a retos como la gestión de 20 millones de documentos y la aplicación del control de acceso. El equipo desarrolló una búsqueda de documentos jurídicos similar a la de Google, centrándose en la escalabilidad y el control de acceso. El viaje desde la prueba de concepto hasta la producción duró más de un año.

Una herramienta de autocomentario para controladores financieros automatiza la agregación de data y la generación de comentarios. Esta herramienta agiliza el proceso de explicación de los cambios significativos en las pérdidas y ganancias (PyG), sustituyendo la clasificación manual de data por soluciones automatizadas. Integra grandes modelos lingüísticos para descubrir patrones lingüísticos y generar comentarios diarios.

Los modelos de IA siguen procesos de aprobación establecidos similares a los modelos de riesgo. Proporcionar pruebas de entrada, salida y métricas garantiza el cumplimiento de las normas de gobernanza. Los grandes modelos lingüísticos necesitan nuevos enfoques de validación, que reflejen la naturaleza evolutiva de las tecnologías de IA.

Garantizar la precisión sin alucinaciones es un reto, sobre todo en entornos data estructurados. Las soluciones pasan por utilizar modelos de IA para interpretar el data y componer las respuestas, minimizando los errores. La interacción con grandes modelos lingüísticos se centra en componer respuestas basadas en data precisos extraídos mediante sentencias SQL.