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 aplicación de estrategias basadas en AI para mejorar la gestión de data , la reducción de riesgos y la eficiencia operativa en todas las funciones del grupo bancario.

Acerca de UBS: UBS es un servicio financiero global Compañia 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 de data e integrar diversos talentos en aprendizaje automático, aprendizaje profundo y PNL es crucial para ampliar la tecnología de AI . El desarrollo conjunto de soluciones con los equipos de desarrollo y las partes interesadas de la empresa promueve un enfoque de "científico completo" en data .

AI y el aprendizaje automático se consideran extensiones de 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 AI en los marcos existentes.

Los equipos dedican aproximadamente el 20% de su capacidad a la innovación y la experimentación con nuevos modelos lingüísticos de gran tamaño (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 aportación de avances y valor cuantificables.

AI 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 y generación de comentarios en data . Estas herramientas mejoran la eficiencia operativa y responden a necesidades empresariales específicas.

Es fundamental contratar a personas que entiendan los algoritmos de AI 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 AI, 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 fueron las consultas de RRHH sobre la comparación de planes 401(k). Esta exploración se extendió más allá de las preguntas sencillas a complejos marcos multiagente, lo que inspiró nuevas exploraciones e innovaciones.

AI 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. AI aplicaciones en chatbots de preguntas frecuentes internas, informes automatizados y 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 implantación 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 camino 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 cambios significativos en las pérdidas y ganancias (PyG), sustituyendo la clasificación manual de data por soluciones automatizadas. Integra grandes modelos lingüísticos para descubrir patrones de lenguaje y generar comentarios diarios.

AI Los modelos siguen procesos de aprobación establecidos similares a los modelos de riesgo. La presentación de 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 AI .

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