Extraído de da postagem sobre o Amanhã Mais Inteligente da DataRobot.

‍

O setor bancário está à beira de uma revolução de IA que pode ser transformadora. De acordo com a McKinsey & Companya tecnologia disruptiva de IA pode aumentar os lucros, reduzir os custos por meio de eficiências, ajudar nos ciclos rápidos de inovação e melhorar e aprofundar os relacionamentos com os clientes. Os bancos que não se anteciparem à IA "correrão o risco de serem ultrapassados pela concorrência e abandonados pelos clientes".

Com isso em mente, quantos estão tirando proveito disso? O Business Insider revela que 80% dos entrevistados estão "altamente cientes dos possíveis benefícios apresentados pela IA e pelo aprendizado de máquina", e 75% dos bancos com mais de US$ 100 bilhões em ativos afirmam que já estão implementando estratégias de IA, embora esse número caia para 46% para aqueles com ativos abaixo de US$ 100 bilhões.

Notavelmente, o setor também está mais otimista do que a maioria. Na pesquisa AI and the Power of Perception da DataRobot de junho de 2022, os entrevistados do setor bancário e financeiro estavam mais propensos do que a média global a pensar que a IA seria um grande divisor de águas nos próximos cinco anos - e menos propensos a temer a tecnologia e a se preocupar com a implementação.

Para nos aprofundarmos, conversamos diretamente com especialistas do setor sobre as melhores maneiras de usar a IA e o aprendizado de máquina no setor bancário, incluindo como entender os desafios, lidar com os riscos e definir caminhos para o sucesso.

Aqui está o que você precisa fazer:

1. Use dados e IA para enriquecer e personalizar a experiência do cliente

Não use a tecnologia e os dados apenas para entender os riscos e criar visualizações de painéis - faça com que eles aumentem a eficiência e melhorem a jornada do cliente.

Se um cliente está em um banco há dez anos, será que ele realmente precisa de documentos para verificar a renda ao solicitar uma hipoteca? Joseph Burdiscientista líder de dados da DataRobot.

Além de levar as pessoas para onde elas precisam estar mais rapidamente, os dados e as percepções podem melhorar a experiência do cliente por meio da personalização. "A análise de comportamento e as sugestões preditivas permitirão que os bancos gerem valor oferecendo suporte no momento certo", diz Claire May, Diretora de Gestão de Negócios e Mudanças do Reino Unido, Banco Corporativo e Comercial do Santander UK.‍

Claire acredita que essa melhoria na experiência do cliente tornará mais simples "navegar no mundo das finanças", principalmente em momentos cruciais como a compra de uma casa. Mas ela diz que as PMEs também se beneficiariam: "O aporte certo no momento certo poderia impulsionar uma empresa a crescer e aproveitar as oportunidades. Isso maximizaria o valor tanto para o banco quanto para o cliente".

2. Desbloquear novas oportunidades com o uso astuto de dados

Cada compra, transferência e pagamento é um ponto de dados - e o grande volume de dados traz oportunidades, pensa Scott Munsondiretor de ciência de dados e análise da Evolutio: "Até mesmo as menores instituições financeiras têm um tesouro que pode ser convertido em valor comercial. Elas só precisam de casos de uso claros com valor comercial e visão para que isso aconteça, além de motivação para superar as barreiras organizacionais."

HP BunaesDiretor Executivo, IA e Aprendizado de Máquina na JPMorgan Chase & Co.concorda. Ele considera o crédito um "poço profundo de oportunidades". Com modelos de crédito melhores e mais dados, ele diz que os bancos podem depender menos das fontes de informação tradicionais e se beneficiar por meio da inovação:

As pontuações de crédito não lhe dizem muito que os outros bancos já não saibam. Portanto, encontre oportunidades que seu concorrente não esteja conseguindo identificar."

Esse tipo de inovação pode exigir que você assuma mais riscos, mas "você o faz com segurança, porque descobriu recursos exclusivos que são informativos ou como atingir um conjunto diferente de clientes não atendidos por um determinado produto", acrescenta a HP

3. Comece pequeno e priorize a velocidade

A HP diz que que ter uma perspectiva de negócios é vital ao analisar a IA no setor bancário: "Pense onde você obterá valor e impacto significativo nas métricas de negócios, e onde você tem dados para tornar tudo viável - sem um projeto de dados maciço de um ano que custará milhões antes de poder fazer qualquer coisa."

Scott concorda, observando que iniciar o processo e passar para a produção são as partes mais difíceis de um projeto de IA/ML. Por isso, ele diz para "começar aos poucos, aprender fazendo", aproveitar um parceiro de serviços se você não tiver talento interno relevante e colocar os modelos em produção, para que eles forneçam valor real. "Essa abordagem é muito mais rápida e eficaz do que iniciativas de vários anos", acrescenta.

Se você tiver muitas ideias, a HP sugere que você "comece com os casos de uso de maior valor e menor complexidade". Aqueles que você acha que serão os mais transformadores têm o maior risco de execução e poucas chances de entrega. Os casos de menor complexidade também podem significar menor valor, mas você tem mais chances de entregar.

4. Tenha as pessoas certas no lugar - em todos os níveis

De acordo com Scott, as pessoas são o fator limitante ou facilitador dos projetos de IA/ML: "O sucesso é ditado pela reunião das partes interessadas certas, pela definição de metas claras, pelo aproveitamento da tecnologia certa e pela motivação de alguns participantes importantes com a visão de concluir o trabalho." Depois que seu primeiro projeto estiver concluído, ele diz para compartilhar o que foi alcançado, aprender com isso e fazer mais projetos com um grupo mais amplo.

A HP diz que uma área em que os bancos têm dificuldades é a de conseguir a adesão total das pessoas certas:

Em muitos casos, a gerência executiva delega o desenvolvimento de análises aos cientistas de dados e ao pessoal da área de tecnologia, fica de braços cruzados e espera que coisas boas aconteçam. Já vi bancos tentarem fazer coisas sofisticadas com enormes quantidades de dados e os melhores cientistas de dados. Depois, eles ficam desapontados por não obterem resultados incríveis rapidamente."

A solução, explica a HP, é tomar mais cuidado com a aplicação e o direcionamento. Deixe que os cientistas de dados escolham no que querem trabalhar e eles "sempre escolherão as coisas mais legais e sensuais". Portanto, os executivos precisam estar envolvidos - e isso começa com a escolha dos aplicativos certos de IA e aprendizado de máquina.

5. Estar ciente de que o pensamento e as plataformas herdadas são bloqueadores

Além das pessoas, o legado tende a ser o maior obstáculo para o sucesso e a agilidade no setor bancário quando se trata de projetos de IA/ML. "Grande parte do setor opera com várias plataformas", diz Claire.

Os dados podem ser difíceis de organizar e acessar sem muito esforço, o que pode tornar a utilização ou a implementação de IA/ML um desafio."

De acordo com Joseph, grande parte disso decorre do histórico do setor bancário de "gerenciar dados em bolsos", em vez de integrá-los, devido ao fato de os dados dos clientes serem altamente protegidos - por um bom motivo. Ele acrescenta que a governança de modelos acrescenta outras barreiras à rápida adoção de IA/ML.

Ao abordar os projetos, é importante entender tanto o ponto de partida quanto o destino pretendido, como obter a visão mais completa dos dados e como manipular esses dados para obter o melhor resultado.

6. Projete para ser justo, pois a regulamentação está chegando

Com a IA/ML impactando cada vez mais os indivíduos (e não apenas as entidades corporativas), a justiça é uma consideração importante. "Haverá mais sensibilidade em relação ao impacto social e ao viés embutido no uso de dados com base em décadas de tomada de decisões tendenciosas, embora não intencionais", acredita a HP.

Isso significa que a "explicabilidade" se tornará algo realmente importante, principalmente nos setores bancário e financeiro.

Se você tomar uma decisão que afete negativamente um cliente - como recusar a concessão de crédito - você terá que explicar o motivo", diz HP.

E ele se refere não apenas a explicar ao cliente, mas também aos órgãos reguladores - locais e globais.

Em resumo, você deve ser capaz de defender seus modelos e garantir que eles sejam os mais justos possíveis. Se não fizer isso, a regulamentação acabará forçando sua mão e você terá que gastar tempo e dinheiro para lidar com algo que deveria ter sido resolvido desde o início.

7. Concentre-se no que acontece depois da implementação, não apenas antes

Não basta colocar um projeto de IA/ML em produção e não fazer mais nada. "Às vezes, os bancos têm um modelo que foi desenvolvido e confiam que está funcionando", diz Joseph. "Mas eles precisam estar constantemente evoluindo e redesenvolvendo-o."

A HP afirma que esse problema só tende a piorar: "À medida que passamos de dezenas para milhares de modelos, fica mais difícil gerenciar a complexidade. À medida que os modelos se tornam onipresentes, seu risco operacional aumenta." Fazendo eco a Joseph, ele afirma que você

não precisam saber que um modelo era bom quando foi implantado, mas que ele é bom e continua funcionando agora."

A solução é o gerenciamento de dados: certifique-se de saber quais modelos de IA/ML você tem, os dados que eles usam, quem os está usando e o que eles estão fazendo com os resultados. Dessa forma, você pode atenuar os problemas que podem ocorrer devido a coisas que você não previu no primeiro dia - o que só aumentará com o número de modelos implantados e com o aumento da interconexão dos dados.

8. Faça com que a liderança participe - e que aja agora

Os líderes empresariais precisam ser educados e estar cientes da IA/ML - e é vital que eles liderem, não sigam. A HP diz que eles precisam saber do que a IA/ML é capaz e identificar bons casos de uso. É importante que eles entendam no que o pessoal de análise está trabalhando e por quê. Além disso, eles devem direcionar as prioridades e a inovação, além de garantir que os chefes de negócios levem a sério a implementação, a adoção, o treinamento e a comunicação.

Se todas essas coisas não estiverem na agenda de um CEO, isso é um problema".

ele adverte. "É muito importante estrategicamente e potencialmente transformador." No entanto, os líderes que fizerem isso e acertarem, segundo a HP, verão que suas organizações se destacarão do grupo em termos de desempenho comercial tangível: "Eles inovarão com mais rapidez e implementarão as soluções mais rapidamente."

Por outro lado, os bancos e as instituições financeiras que adotarem uma abordagem de "esperar para ver" - ou cujos executivos não levarem a IA/ML a sério ou não pensarem estrategicamente sobre as oportunidades - se encontrarão em uma situação em que simplesmente não conseguirão recuperar o atraso.

‍

‍

Ciência de dados e análise da Evolutuio: Toda empresa está em uma jornada para agregar valor aos seus dados.