O pioneirismo das instituições financeiras em investimentos em inteligência artificial é reconhecido: poucos setores têm tantos dados históricos estruturados quanto o financeiro. Não por acaso, esse é um dos campos em que há o maior potencial para automatizar processos com uma das subáreas mais reconhecidas da tecnologia, o machine learning. Mais precisamente, trata-se de um potencial de $250 bilhões anuais, de acordo com a McKinsey.
Segundo o 2019 Refinitiv Machine Learning Survey, o aumento desse potencial tem a ver com o crescimento da confiança das instituições financeiras no uso de dados e modelos para orientar a tomada de decisão, apesar de todos os riscos vinculados à tecnologia, como falta de qualidade de dados, privacidade, viés algorítmico e explicabilidade (black box), assim como falta de expertise interna e infraestrutura técnica.
Mas, com tanta confiança, como o potencial do machine learning tem sido explorado pelas instituições financeiras? Vamos ver neste artigo. Continue lendo!
Cenário do machine learning no setor financeiro
Quando se fala das possíveis aplicações do machine learning dentro das instituições financeiras, um leque se abre. O potencial é enorme, do front ao back-office. O setor consegue se beneficiar tanto em questões contínuas e clássicas quanto em inovações e abertura de novas fronteiras. A ponto de poder ser profundamente alterado nos próximos anos, no que respeita ao trabalho e ao modelo de negócio, de modo a deixar os serviços e produtos mais eficientes, acessíveis e ajustados às necessidades dos consumidores.
De acordo com o Global AI in Financial Services Survey, da EY & Invesco, por enquanto os algoritmos de machine learning mais amplamente usados nas instituições financeiras são os bem estabelecidos e simples, em vez de complexos e sofisticados. Normalmente, são desenhados e desenvolvidos em casa, embora as instituições possam lançar mão de provedores terceiros em alguns casos, sobretudo para infraestrutura.
Outro ponto a que o levantamento da EY & da Invesco chama a atenção é que a maioria das aplicações (88%) usam aprendizado de máquina supervisionado. O aprendizado de máquina não supervisionado e por reforço têm adoção bem baixa quando comparados ao primeiro.
Quanto à infraestrutura computacional, fintechs preferem a cloud em 88% dos casos, ficando pouco para soluções como GPU e CPU. Já entre outras instituições esse mix é mais equilibrado, talvez em virtude do uso de infraestrutura legada.
Apesar de ainda não estarem usando soluções sofisticadas, boa parte dos participantes do levantamento está planejando dar passos maiores, como a implementação daqui a dois anos de processamento de linguagem natural (NLP, na sigla em inglês) e visão computacional, que envolve deep learning.
Vejamos alguns campos de aplicação já explorados pelas instituições.
Aplicações do machine learning na automatização de processos
Gestão de riscos e compliance
- Detecção de ameaças e fraudes por meio de análise de comportamentos e ações suspeitas
- Auditoria de bases de dados
- Verificação de identidade
- Análise de documentos
Investimentos
- Modelos de risco
- Sugestões e predições sobre investimento de acordo com o cliente
- Robôs conselheiros
Crédito
- Score de crédito
- Sistemas de sinais de alerta
- Previsão de perdas e de inadimplência
Marketing
- Recomendação de produtos e de ofertas personalizados
- Segmentação de clientes
Atendimento ao cliente
- Chatbots
- Contact centers
Por que o machine learning tem potencial no setor financeiro
A tecnologia pode empoderar a segurança, as operações, os produtos e o atendimento das instituições sem comprometer ou criar fricções adicionais na experiência do consumidor, como idas ao banco, excesso de burocracia etc.
Por exemplo, no caso de um cliente querer fazer uma transação: se estiver tudo dentro da normalidade, ele conseguirá efetuá-la usando apenas a sua senha. Agora, se algum fator que indique risco estiver presente, o algoritmo de segurança pode reconhecer esse novo padrão e exigir do usuário autenticação adicional, como o reconhecimento facial.
O poder das análises em tempo real e automatizadas, impossíveis de serem realizadas manualmente, vão garantir agilidade e alto nível de performance das operações, aliada a ganhos como diminuição de custos e de perdas.
Por isso, o machine learning tem emergido como prioridade estratégica, sendo o foco central de planos de pesquisa e desenvolvimento, seja por meio da criação de centros de excelência exclusivos ou da inclusão da tecnologia dentro da estratégia tecnológica das instituições financeiras.
Machine learning: potencial dotado de vários desafios
Como vimos, o machine learning tem muitas aplicações possíveis nos serviços financeiros, capazes de gerar insights, embasar novos produtos, reduzir fricções e ineficiências e, ainda, ajudar na segurança – tudo com pouquíssima intervenção humana.
Embora as organizações estejam ávidas por explorar o potencial do machine learning para a automatização, inevitavelmente elas enfrentarão desafios práticos. Dentre os mais comuns estão:
- Falta de apoio de lideranças
- Cultura organizacional tradicional
- Falta de expertise em IA e machine learning
- Insuficiência ou falta de qualidade de dados
- Design do algoritmo
- Segurança e privacidade de dados e outros desafios em compliance regulatório.
Para superar tais desafios e, mais do que explorar, dar escala às suas iniciativas em machine learning e em IA no geral, as instituições deverão fazer investimentos consideráveis em suas habilidades com dados. Da mesma maneira, sem mudança no nível organizacional e, sobretudo, governança, suas iniciativas em machine learning não vão decolar. Mas que o caminho já está traçado, ele está.
Para acompanhar as principais tendências e inovações no setor financeiro, continue acompanhando nosso blog!
