Autor
Athena Sharma discursou na Cúpula AI for Finance 2022 em 20 de setembro para falar sobre a proliferação de projetos Artificial Intelligence nos setores bancário e de seguros, as dificuldades que algumas instituições financeiras estão enfrentando em relação à sua realização e as maneiras pelas quais essas barreiras podem ser superadas.
De acordo com a The Economist, cerca de 54% das grandes instituições financeiras (FIs) já haviam adotado o artificial intelligence em 2020, então imagine como esses números estão hoje. Para aumentar essa proliferação, 86% dos executivos financeiros dizem que planejam aumentar o investimento em AI até 2025. E em outra pesquisa, 81% disseram que desbloquear o valor da AI seria o principal diferenciador entre vencedores e perdedores no setor bancário.
"Há claramente um caso de valor muito forte a ser feito para AI em instituições financeiras", disse Athena. "Os bancos de investimento talvez sejam os primeiros a adotar e a se beneficiar da tecnologia de aprendizado de máquina no espaço de negociação algorítmica. Afinal, 70% das instituições financeiras agora usam o aprendizado de máquina para detecção de fraudes, pontuação de crédito ou previsão de eventos de fluxo de caixa, e o AI conversacional é comumente usado em bancos de varejo e seguros. No entanto, apesar disso, muitas instituições financeiras ficam aquém quando se trata de produzir seus projetos de AI para fornecer valor concreto em toda a empresa."
Athena explicou os principais desafios para o sucesso do projeto AI e como superá-los:
Investir na tecnologia principal e no gerenciamento do data
Para a Athena, uma das principais dificuldades que as instituições financeiras enfrentam é o fato de sua tecnologia principal ser desenvolvida para operações tradicionais, como pagamentos, empréstimos e gerenciamento de sinistros. "As pilhas de TI herdadas não têm a flexibilidade necessária para implementar as habilidades AI . A capacidade computacional para gerenciamento e análise de data que você precisa em um aplicativo de RV de loop fechado simplesmente não existe, e testar e desenvolver tecnologias AI pode levar dias ou até meses, o que é proibitivo quando você está tentando ser inovador. A solução? Mudar as tecnologias principais: migrar para a computação em nuvem.
"Um ambiente de nuvem pode reduzir o tempo necessário para testar e desenvolver soluções AI para apenas alguns minutos, graças aos serviços gerenciados", garante Athena. "Um banco com o qual trabalhei começou a fazer a transição para a nuvem há dois anos, e sua taxa de inovação aumentou em cerca de 49%, de acordo com seus próprios KPIs. Isso pode parecer pouco, mas para uma instituição monolítica e estabelecida, é bastante revolucionário."
Outra faceta desse desafio é investir no gerenciamento data - tanto em termos de qualidade data quanto de acesso data . Nas instituições financeiras, o data está isolado em várias unidades e divisões de negócios. Como resultado, o data não é padronizado, a qualidade é difícil de gerenciar e não há uma única fonte de verdade, de modo que as partes interessadas não têm certeza se o data subjacente dos projetos propostos é confiável. data "O investimento em governança moderna e práticas de gerenciamento de data é crucial para as instituições financeiras", insiste Athena. "E um componente fundamental disso é o que chamamos de Enterprise Data Model, ou EDM. Não se trata de um conceito de TI, mas de uma forma de descrever e organizar logicamente seu data - todo o seu data - em linguagem relevante para os negócios - uma espécie de glossário de negócios, se preferir, que simplifica o data gerenciamento da qualidade para todos os usuários certificados."
A parte final desse desafio é o acesso a data .
"Data é a matéria-prima mais valiosa que qualquer organização possui; a chave para aproveitar seu valor é ter acesso à análise em escala, no momento da tomada de decisão. Isso é especialmente difícil nos bancos devido à confidencialidade data . Uma solução inovadora é criar bancos de dados habilitados para API para um acesso mais eficaz e seguro a data , mas em escala e em tempo real para cumprir seus objetivos de negócios".
Implementação de um modelo operacional voltado para o futuro
O segundo desafio para as instituições financeiras está no modelo operacional que utilizam. A maioria é organizada de acordo com as divisões de negócios, muitas vezes com funções de TI centralizadas, o que impede sua capacidade de inovar. AI Os líderes de negócios definem suas próprias agendas e estratégias, o que resulta em equipes fragmentadas e em uma abordagem em cascata que leva a atrasos, custos excessivos, desempenho abaixo do ideal e total falta de uma mentalidade de teste e aprendizado. As instituições financeiras devem ser capazes de trabalhar de forma iterativa para inovar e melhorar continuamente - uma necessidade para escalar AI, pois ninguém acerta na primeira vez.
"Em vez disso, nós da Artefact propomos um modelo operacional mais ágil e flexível, voltado para o futuro, baseado em produtos data . Um produto data é essencialmente um conjunto de soluções data que abordam diretamente um desafio comercial ou um resultado comercial. Cada produto data é desenvolvido por uma equipe dedicada que tem seu próprio orçamento, ativos e KPIs."
"Por exemplo, digamos que você tenha uma equipe cliente 360 de negócios, TI e data partes interessadas. Eles podem fornecer vários produtos data para a empresa, bem como para clientes externos, de modo que você obtém uma camada de análise do cliente 360. Data cientistas e engenheiros podem usar essa camada de análise para testar e aprender soluções de ML AI . Você também pode ter um painel de controle do cliente 360 com KPIs relevantes para seus colegas de vendas da linha de frente e usá-lo para melhorar o valor do tempo de vida do cliente. Você também pode fornecer data à sua equipe de marketing sobre otimização e personalização para ajudá-los a gastar melhor seus orçamentos."
As possibilidades são infinitas, mas, em essência, um modelo operacional modular permite que suas equipes colaborem melhor e trabalhem em prol de um objetivo estratégico comum, em vez de trabalharem em silos que atualmente dividem as instituições financeiras, bem como uma infinidade de empresas de todos os setores em que as equipes de produtos ainda não são uma realidade.
Considerar proativamente a ética e a regulamentação do site AI
O investimento em AI ética e regulamentação é crucial para as instituições financeiras neste momento. Ao analisar a proposta da Comissão Europeia para a LeiArtificial Intelligence , a Autoridade Europeia para a Proteção de Data (AEPD) considera que é necessário reforçar a proteção dos direitos fundamentais, incluindo o reforço da proteção dos direitos fundamentais dos indivíduos, incluindo os direitos à privacidade e à proteção de dados pessoais data.
Restrições regulatórias devem ser impostas a qualquer pessoa que use qualquer software associado à tecnologia biométrica em instituições financeiras, gerenciamento de capital humano ou avaliação de crédito de indivíduos. Da forma como está, isso afetará quase todas as instituições financeiras. Embora a extensão total da futura regulamentação do AI ainda não esteja clara para ninguém, o que é evidente é que as regulamentações serão baseadas na ética. Mas muitos líderes do setor de serviços financeiros acham que suas empresas não entendem as questões éticas associadas ao AI.
Artefact data propõe o desenvolvimento de uma estrutura de governança AI interna ética que abranja todos os aspectos da AI ética, incluindo compradores, gerenciamento, treinamento de modelos e reciclagem AI explicabilidade. Para isso, a consultoria de especialistas pode ser útil, mas o que é realmente necessário é uma mudança de mentalidade em duas partes, abrangendo todos os aspectos da AI ética, incluindo compradores, data gerenciamento, treinamento de modelos e reciclagem AI explicabilidade.
A primeira mudança requer a adesão em larga escala das partes interessadas, obrigando-as a abandonar a mentalidade, a divisão e os modelos operacionais em silos que o impedem de produzir AI. A segunda é passar de uma mentalidade de aversão ao risco para uma mentalidade de pioneirismo. Isso requer uma profunda mudança cultural em que toda a organização atinja um alto nível de conhecimento sobre o impacto da AI, suas aplicações e sua ética, a fim de ser inovadora sem ser irresponsável.
"Não é fácil, especialmente em um setor em que a aversão ao risco está profundamente enraizada. Mas, em última análise, quando se trata da adoção do AI , não acho que as instituições financeiras tenham muita opção, não se trata de como ou se o AI pode agregar valor ao seu negócio. Trata-se de como incorporar o AI em suas operações diárias para permanecer relevante e competitivo em um mercado global em rápida mudança."
