Autor
Athena Sharma intervino el 20 de septiembre en la cumbre AI for Finance 2022 para hablar de la proliferación de proyectos Inteligencia Artificial en los sectores bancario y de seguros, las dificultades que encuentran algunas instituciones financieras para su realización y las formas de superar estos obstáculos.
Según The Economist, alrededor del 54 % de las grandes instituciones financieras (IF) ya habían adoptado Inteligencia Artificial en 2020, así que imagínese en qué punto se encuentran esas cifras hoy en día. Además de esta proliferación, el 86 % de los ejecutivos financieros afirman que tienen previsto aumentar la inversión en AI hasta 2025. Y en otra encuesta, el 81 % afirmó que desbloquear el valor de AI sería el diferenciador clave entre ganadores y perdedores en el sector bancario.
"Es evidente que AI tiene un gran valor para las instituciones financieras", afirma Athena. "Los bancos de inversión son quizá los primeros en adoptar y beneficiarse de la tecnología de aprendizaje automático en el ámbito de la negociación algorítmica. Al fin y al cabo, el 70% de las instituciones financieras utilizan ya el aprendizaje automático para la detección de fraudes, la calificación crediticia o la predicción de eventos de flujo de caja, y AI conversacional se utiliza habitualmente en la banca minorista y los seguros. Sin embargo, a pesar de ello, muchas instituciones financieras se quedan cortas a la hora de poner en marcha sus proyectos de AI para aportar un valor concreto a toda la empresa".
Athena explicó los principales retos para el éxito del proyecto AI y cómo superarlos:
Inversión en tecnología básica y gestión de data
Para Athena, una de las principales dificultades a las que se enfrentan las IF es que su tecnología básica está concebida para operaciones tradicionales, como pagos, préstamos o gestión de reclamaciones. "Las pilas de TI heredadas no tienen la flexibilidad necesaria para desplegar las capacidades de AI . 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 AI puede llevar días o incluso meses, algo prohibitivo cuando se intenta ser innovador". ¿La solución? Cambiar las tecnologías básicas: pasarse a la computación en nube.
"Un entorno en la nube puede reducir a unos minutos el tiempo necesario para probar y desarrollar soluciones AI , gracias a los servicios gestionados", asegura Athena. "Un banco con el que trabajé empezó la transición a la nube hace dos años, y su tasa de innovación ha aumentado alrededor de un 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 invertir en la gestión de data , tanto en términos de calidad de data como de acceso a data . En las instituciones financieras, data está fragmentado en varias unidades de negocio y divisiones. Como resultado, data no está estandarizado, la calidad es difícil de gestionar y no hay una única fuente de verdad, por lo que las partes interesadas no están seguras de si data subyacente a los proyectos propuestos es fiable. "La inversión en prácticas modernas de gobernanza data y gestión data es crucial para las IF", insiste Athena. "Y un componente clave de ello es lo que llamamos un modelo de empresa Data , o EDM. No se trata de un concepto informático, sino de una forma de describir y organizar lógicamente su data -todo su data - en un lenguaje empresarial relevante, una especie de glosario empresarial, por así decirlo, que agiliza la gestión de la calidad data para todos los usuarios certificados".
La última parte de este reto es data access.
"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 de data . Una solución innovadora es crear bases de datos habilitadas para API para un acceso más eficaz y seguro a data , 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 de innovación. Los directivos de las empresas establecen sus propias agendas y estrategias en AI , 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, algo necesario para ampliar AI, porque nadie lo hace bien a la primera.
"En cambio, 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 o 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 partes interesadas del negocio, TI y data . Pueden proporcionar varios productos de data a la empresa, así como a clientes externos, por lo que se obtiene una capa de análisis de cliente 360. Los científicos e ingenieros de Data pueden utilizar esta capa de análisis para probar y aprender soluciones de ML de AI . También podría disponer de un cuadro de mandos 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 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.
Consideración proactiva de la ética y la normativa AI
La inversión en AI ética y regulación es crucial para las instituciones financieras en estos momentos. Al revisar la propuesta de LeyInteligencia Artificial de la Comisión Europea, el Supervisor Europeo de Protección de 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, entre ellos el derecho a la intimidad y a la protección de los datos personales data.
Se impondrán restricciones reglamentarias a quienes utilicen cualquier programa informático asociado a la tecnología biométrica en las entidades financieras, la gestión del capital humano o la evaluación crediticia de las personas. Tal como están las cosas, esto afectará a casi todas las IF. Aunque nadie tiene aún claro el alcance total de la futura regulación de AI , lo que es evidente es que la normativa se basará en la ética. Pero muchos dirigentes del sector de los servicios financieros consideran que sus empresas no comprenden las cuestiones éticas asociadas a AI.
Artefact propone desarrollar un marco de gobernanza ética interna AI que abarque todos los aspectos de la AI ética, incluidos los compradores, la data gestión, la formación de modelos y el reciclaje AI explicabilidad. 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 AI ética, incluidos los compradores, la data gestión, la formación de modelos y el reciclaje AI explicabilidad.
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 AI. El segundo consiste en pasar de la aversión 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 AI, sus aplicaciones y su ética, con el fin de ser innovadores sin ser irresponsables.
"No es fácil, sobre todo en un sector en el que la aversión al riesgo está muy arraigada. Pero en última instancia, cuando se trata de la adopción de AI , no creo que las instituciones financieras tengan muchas opciones, no se trata de cómo o si AI puede añadir valor a su negocio. Se trata de cómo pueden integrar AI en sus operaciones cotidianas para seguir siendo relevantes y competitivos en un mercado global que cambia rápidamente".
