Autor
Athena Sharma intervino el 20 de septiembre en la Cumbre AI for Finance 2022 para hablar de la proliferación de proyectos de Inteligencia Artificial en los sectores de la banca y los seguros, de las dificultades a las que se enfrentan algunas instituciones financieras para su realización y de las formas en que pueden superarse estos obstáculos.
Según The Economist, unas 54% de las grandes instituciones financieras (IF) ya habían adoptado el artificial intelligence en 2020, Así que imagínese en qué punto se encuentran esas cifras hoy en día. Por si fuera poco, 86% de los ejecutivos financieros afirman que tienen previsto aumentar la inversión en IA hasta 2025. Y en otro encuesta, 81% dijo que desbloquear el valor de la IA sería el diferenciador clave entre ganadores y perdedores en la industria bancaria.
“Está claro que hay un caso de valor muy fuerte que hacer para la IA en las instituciones financieras”, dijo Athena. “Los bancos de inversión son quizás los primeros en adoptar y beneficiarse de la tecnología de aprendizaje automático en el espacio de la negociación algorítmica. Después de todo, 70% de las IF utilizan ahora el aprendizaje automático para la detección de fraudes, la calificación crediticia o la predicción de eventos de flujo de caja, y la IA conversacional se utiliza comúnmente en la banca minorista y los seguros. Sin embargo, a pesar de ello, muchas IF se quedan cortas cuando se trata de poner en producción sus proyectos de IA para aportar un valor concreto a toda la empresa.”
Athena explicó los principales retos para el éxito de los proyectos de IA y cómo superarlos:
Invertir en tecnología de base y gestión data
Para Athena, una de las principales dificultades a las que se enfrentan las IF es que su tecnología principal está construida para operaciones tradicionales, como pagos, préstamos, gestión de reclamaciones. “Las pilas de TI heredadas no tienen la flexibilidad necesaria para desplegar las capacidades de la IA. La capacidad computacional para la gestión y el análisis de data que se necesita en una aplicación de RV de bucle cerrado simplemente no existe y probar y desarrollar tecnologías de IA puede llevar días o incluso meses, algo prohibitivo cuando se intenta ser innovador. ¿La solución? Cambiar las tecnologías centrales: pasar a la informática cloud.
“Un entorno cloud puede reducir a unos minutos el tiempo que se tarda en probar y desarrollar soluciones de IA, gracias a los servicios gestionados”, asegura Athena. “Un banco con el que trabajé empezó la transición al cloud hace dos años, y su tasa de innovación ha aumentado en unos 49% según sus propios KPI. Eso puede parecer poco, pero para una institución incumbente y monolítica, es bastante revolucionario”.”
Otra faceta de este reto es la inversión en la gestión de la data, tanto en términos de calidad de la data como de acceso a la misma. En las IF, la data está aislada en varias unidades de negocio y divisiones. Como resultado, la data no está normalizada, la calidad es difícil de gestionar y no existe una única fuente de verdad, por lo que las partes interesadas no están seguras de si la data subyacente de los proyectos propuestos es digna de confianza. “La inversión en prácticas modernas de gestión de data governance y data es crucial para las IF”, insiste Athena. “Y un componente clave de ello es lo que llamamos un Modelo Data de Empresa, o EDM. No es un concepto informático, sino una forma de describir y organizar lógicamente su data -todo su data- en un lenguaje relevante para el negocio -una especie de glosario empresarial, si se quiere, que agiliza la gestión de la calidad data para todos los usuarios certificados.”
La parte final de este desafío es el acceso data.
“Data es la materia prima más valiosa que posee cualquier organización; la clave para aprovechar su valor es tener acceso a la analítica a escala, en el punto de toma de decisiones. Esto es especialmente difícil en los bancos debido a la confidencialidad del data. Una solución innovadora consiste en crear bases de datos data habilitadas por API para un acceso data más eficaz y seguro, pero a escala y en tiempo real para cumplir sus objetivos empresariales, y en tiempo real para cumplir sus objetivos empresariales.”
Implantar un modelo operativo orientado al futuro
El segundo reto para las instituciones financieras reside en el modelo operativo que utilizan. La mayoría están organizadas por divisiones de negocio, a menudo con funciones de TI centralizadas, lo que impide su capacidad para innovar. Los líderes empresariales establecen sus propias agendas y estrategias de IA, lo que da lugar a equipos fragmentados y a un enfoque en cascada que provoca retrasos, sobrecostes, un rendimiento inferior al óptimo y una falta total de mentalidad de prueba y aprendizaje. Las IF deben ser capaces de trabajar de forma iterativa para innovar y mejorar continuamente, una necesidad para ampliar la IA, porque nadie acierta nunca a la primera.
“En su lugar, en Artefact proponemos un modelo operativo más ágil y flexible orientado al futuro y basado en Productos data. Un producto data es esencialmente un conjunto de soluciones data que abordan directamente un reto empresarial o un resultado empresarial. Cada producto data es desarrollado por un equipo dedicado que tiene su propio presupuesto, activos y KPI”.”
“Por ejemplo, supongamos que dispone de un equipo cliente 360 formado por las partes interesadas de la empresa, TI y data. Pueden proporcionar varios productos data al negocio, así como a clientes externos, por lo que se obtiene una capa analítica de cliente 360. Los científicos e ingenieros de Data pueden utilizar esta capa analítica para probar y aprender soluciones ML de IA. También podría disponer de un panel de 360 clientes con KPI relevantes para sus colegas de ventas de primera línea y utilizarlo para mejorar el valor del ciclo de vida del cliente. También podría proporcionar data a su equipo de marketing sobre optimización y personalización para ayudarles a gastar mejor sus presupuestos.”
Las posibilidades son infinitas, pero en esencia, un modelo operativo modular permite a sus equipos colaborar mejor y trabajar en pos de un objetivo estratégico común, en lugar de hacerlo en los silos que actualmente dividen a las IF, así como a un sinfín de empresas de todos los sectores en las que los equipos de producto aún no son una realidad.
Considerar de forma proactiva la ética y la regulación de la IA
Inversión en IA ética y la regulación son cruciales para las instituciones financieras en estos momentos. Al examinar la propuesta de la Comisión Europea Ley de Inteligencia Artificial, el Supervisor Europeo de Protección Data (SEPD) considera que es necesaria una mayor protección de los derechos fundamentales, incluido el refuerzo de la protección de los derechos fundamentales de las personas, incluidos los derechos a la intimidad y a la protección de los datos personales data.
Se van a imponer restricciones reglamentarias a todo aquel que utilice cualquier software asociado a la tecnología biométrica en las instituciones financieras, la gestión del capital humano o la evaluación crediticia de las personas. Tal y como están las cosas, esto afectará a casi todas las IF. Aunque nadie tiene claro todavía el alcance total de la futura regulación de la IA, lo que es evidente es que las regulaciones se basarán en la ética. Pero muchos líderes del sector de los servicios financieros creen que sus empresas no comprenden las cuestiones éticas asociadas a la IA.
Artefact propone desarrollar una ética marco interno de gobernanza de la IA que abarque todos los aspectos de la ética de la IA, incluidos los compradores, la gestión de data, la formación de modelos y el reciclaje de la explicabilidad de la IA. Para ello, el asesoramiento de expertos puede ser útil, pero lo que realmente se necesita es un cambio de mentalidad en dos partes que abarque todos los aspectos de la ética de la IA, incluidos los compradores, la gestión de data, la formación de modelos y el reciclaje de la explicabilidad de la IA.
El primer cambio requiere la implicación a gran escala de las partes interesadas, obligándolas a abandonar la mentalidad de silo, la división y los modelos operativos que le impiden producir la IA. El segundo consiste en pasar de una mentalidad reacia al riesgo a una mentalidad pionera. Esto requiere un profundo cambio cultural en el que toda la organización alcance un alto nivel de alfabetización sobre el impacto de la IA, sus aplicaciones y su ética, con el fin de ser innovadores sin ser irresponsables.
“No es fácil, especialmente en un sector en el que la aversión al riesgo está profundamente arraigada. Pero en última instancia, cuando se trata de la adopción de la IA, no creo que las instituciones financieras tengan muchas opciones, no se trata de cómo o si la IA puede añadir valor a su negocio. Se trata de cómo pueden integrar la IA en sus operaciones cotidianas para seguir siendo relevantes y competitivas en un mercado global que cambia rápidamente.”
