À medida que se busca maior capacidade competitiva, a inteligência artificial (IA) e o machine learning (ML) ganham espaço em diferentes áreas do setor financeiro. Nesse novo cenário, em que profissionais adotam uma abordagem proativa ao direcionar estratégias financeiras, o desempenho das empresas depende da qualidade e disponibilidade dos dados.
- Em um novo relatório, a Refinitiv obteve informações de aproximadamente 400 cientistas de dados e quants para estabelecer as tendências mais recentes em IA e ML nos serviços financeiros.
- O emprego do machine learning (ML) no setor financeiro está claramente amadurecendo. Oitenta por cento das empresas vêm fazendo investimentos significativos nesse tipo de tecnologia.
- Os cientistas de dados desempenham um papel cada vez mais estratégico nas empresas de serviços financeiros, onde o número de equipes dedicadas a essa área cresceu mais de 260% desde 2018.
Estes são alguns dos destaques do segundo relatório global sobre inteligência artificial e machine learning da Refinitiv, intitulado “The Rise of the Data Scientist”.
O relatório é baseado em uma das maiores pesquisas globais com especialistas em dados e autoridades responsáveis pelo uso de machine learning (ML) em finanças, além de ser “leitura obrigatória” para profissionais da área de dados e líderes em inovação.
Assista: Nova pesquisa sobre IA e machine learning –The Rise of the Data Scientist
O machine learning se torna um recurso horizontal
O uso do machine learning (ML) nos serviços financeiros está amadurecendo, com empresas implantando recursos tecnológicos cada vez mais sofisticados –como o deep learning—, e começando a executar ciclos rápidos de inovação.
Mais de 72% dos participantes da pesquisa deste ano dizem que esse é um componente central de sua estratégia de negócios, e 80% estão fazendo investimentos significativos em tecnologias associadas.
Também diminuíram os desafios relacionados a investimento, opções de tecnologia e acesso a talentos, identificados como as principais barreiras à adoção do machine learning no relatório de 2018. Assim, começa a se formar uma base sólida para a implementação de modelos de machine learning em larga escala.
O relatório de 2020 apontou para um mix diversificado de casos de uso.
Cientistas de dados assumem papel mais estratégico
Os cientistas de dados deixaram os departamentos de tecnologia para liderar a área de machine learning de instituições financeiras. A pedido das empresas, eles saíram do setor de desenvolvimento de modelos e hoje influenciam diretamente as estratégias de tecnologia e dados necessárias para atingir os objetivos dos negócios.
A importância dos cientistas de dados para o sucesso das estratégias de machine learning é clara. O número médio de funções relacionadas à ciência de dados em cada empresa aumentou significativamente desde o nosso primeiro relatório sobre machine learning, em 2018; e o número de equipes dedicadas a isso aumentou mais de 260%.
Deep learning
O relatório deste ano mostra, inclusive, que 75% das empresas já estão empregando tecnologias de deep learning. Esse é um avanço inesperado, mas que vem sendo claramente amparado por um aumento do uso de estruturas de tecnologia de deep learning.
O deep learning pode ajudar as instituições financeiras a obter insights valiosos a partir de conjuntos de dados não estruturados grandes e diversos. Mas o custo do hardware e o tempo gasto para treinar modelos podem ser proibitivos.
O processamento de linguagem natural (PNL) é outro foco de atenção no setor financeiro, e vem sendo aplicado para desbloquear valor de dados não estruturados.
Não é nenhuma surpresa que o uso de dados não estruturados esteja aumentando. Para se ter uma ideia, em 2018 apenas 2% das instituições trabalhavam exclusivamente com dados não estruturados, índice que subiu para 17% em 2020. Hoje, 64% delas aproveitam esse tipo de dado.
A importância da estratégia de dados
Os cientistas de dados estão usando diversas fontes de dados, incluindo dados não estruturados e dados alternativos, para desenvolver modelos.
Apenas 3% dos participantes da pesquisa deste ano afirmaram não usar esses dados alternativos em seus modelos; em 2018 esse número girava em torno de 30%. Isso provavelmente reflete a busca por novos tipos de conjuntos de dados para avaliar o impacto da Covid-19 no setor financeiro.
Na pesquisa que realizamos em 2018, a baixa qualidade dos dados foi considerada um dos principais obstáculos para a implantação de modelos de IA e ML. Este ano, os participantes citaram tanto a má qualidade dos dados quanto a sua disponibilidade como barreiras à adoção dessas novas tecnologias.
Para que as instituições financeiras se beneficiem da velocidade, agilidade e valor de uma abordagen “AI-first”, elas precisam de dados confiáveis e de alta qualidade que possam ser facilmente acessados, consumidos e manipulados.
O impacto da Covid-19
O relatório deste ano indica que 72% dos modelos de IA e ML das empresas foram impactados negativamente pela Covid-19. Algumas organizações declararam que seus modelos estão obsoletos, enquanto outras já estão construindo novas versões.
O principal problema era a falta de agilidade para fazer adaptações rapidamente e incorporar novos conjuntos de dados conforme as circunstâncias iam mudando.
Machine learning: o que você precisa saber
O relatório deste ano contém tudo o que você precisa saber sobre o cenário de machine learning. Ele fornece insights sobre casos de uso em serviços financeiros, a mudança do papel do cientista de dados, o emprego de tecnologias emergentes, as tendências de investimento mais recentes e muito mais.
O documento também inclui conselhos práticos com base na experiência da Refinitiv Labs em desenvolver e implantar modelos de machine learning para resolver alguns dos problemas mais desafiadores em finanças, além de compartilhar alguns dos protótipos construídos em colaboração com nossos clientes.
A Refinitiv está agora no Telegram! Receba atualizações diárias de análises de mercado em seu celular. Inscreva-se em t.me/Refinitiv