Ir para conteúdo

Como ampliar o uso de IA para turbinar os negócios

Sanjna Parasrampuria
Sanjna Parasrampuria
Head – Applied Innovation Asia, Refinitiv Labs

Para garantir vantagem competitiva e sucesso comercial, as empresas de serviços financeiros começam a escalar o uso de inteligência artificial (IA) e machine learning (ML) em suas atividades. Os que são bem sucedidos na empreitada podem aumentar significativamente os retornos, mas quem tiver problemas para aderir a essas tecnologias corre o sério risco de perder participação no mercado.


  1. As instituições financeiras estão escalando o uso de IA e ML em suas unidades de negócios para gerenciar riscos e obter novos insights. Segundo o nosso relatório de 2020 sobre inteligência artificial e machine learning, 66% dos entrevistados usam ML na área de risco, 31%, para pesquisas de investimento, 30%, em atendimento ao cliente, e 27%, em execução comercial.
  2. O emprego de IA e ML em escala requer recursos de execução precisos que favorecem uma abordagem em três frentes para: 1. amplitude de talento; 2. profundidade de ferramentas de tecnologia; 3. expansão diagonal de aplicativos e de casos de uso.
  3. A adoção da inteligência artificial e do machine learning tem ocorrido em velocidade exponencial, e as empresas que não tiverem sucesso em escalar o seu uso correm o risco de não conseguir alcançar a concorrência depois que o setor financeiro já estiver em outro estágio tecnológico.

O nosso segundo relatório sobre inteligência artificial (IA) e machine learning (ML), “A Ascensão do Cientista de Dados”, mostra que as empresas de serviços financeiros não estão mais tratando as iniciativas de IA e ML como provas experimentais de conceito (PoCs, na sigla em inglês ). Em vez disso, elas vêm usando essas tecnologias em ambientes de produção totalmente desenvolvidos, e as otimizam para que possam ser escaladas entre unidades de negócios, diferentes localizações geográficas e casos de uso.

Para mais informações baseadas em dados diretamente no seu inbox, assine o boletim semanal Refinitiv Perspectives

O que vem motivando a utilização da IA e do ML é a obtenção de maior receita com oportunidades de geração de alfa em toda a empresa. As organizações tem procurado reduzir custos por meio da automatização de processos manuais, identificar riscos com rapidez e precisão e ganhar vantagem competitiva sobre outros participantes do mercado que não estão se movendo tão rápido.

De acordo com uma pesquisa da Accenture, as empresas que conseguem escalar o uso dessas tecnologias de forma bem sucedida obtêm retornos dos investimentos em IA três vezes maiores do que as que estão presas no estágio de PoC. Aproximadamente 84% dos executivos de alto escalão acreditam que devem alavancar o uso de IA para atingir seus objetivos de crescimento; e três em cada quatro acreditam que, se não escalarem a IA nos próximos cinco anos, correm o risco de sair do mercado por completo.

O relatório de 2020 da Refinitiv sobre IA e ML –um dos maiores e mais completos estudos de pesquisas financeiras de IA/ML do mundo, com 400 cientistas de dados, quants e líderes de tecnologia nas Américas, Ásia-Pacífico e EMEA— foi baseado em um relatório inicial que lançamos ainda em 2018.

As três etapas necessárias para escalar o uso de IA e ML

Ao contrário do que muitos acreditam, escalar o emprego de IA e ML não se trata apenas de construir modelos maiores que podem consumir mais volumes de dados. Na verdade, representa um complexo desafio de execução que requer uma abordagem em três frentes, incluindo conjuntos mais amplos de habilidades de ciência de dados, recursos tecnológicos mais profundos e expansão diagonal em toda a empresa.

Etapa 1: os cientistas de dados agregam amplitude

A amplitude pode ser alcançada com mais cientistas de dados em funções executivas, capacitando-os para trabalhar com toda a lista de estratégias de dados da organização, incluindo aquisição de dados, implantação de ferramentas de IA e ML e busca de talentos emergentes na área de tecnologia.

O relatório da Refinitiv deste ano reconhece o crescimento da comunidade de ciência de dados –tanto em tamanho quanto em influência— no setor financeiro. Para se ter uma ideia, o número de equipes dedicadas ao tema dentro das empresas teve um aumento exponencial desde 2018: 260%. E atualmente vemos mais cientistas de dados trabalhando em diferentes unidades de negócios em vez de somente na área de suporte de tecnologia.

O Citigroup, por exemplo, planeja contratar 2.500 programadores e cientistas de dados para suas unidades de bancos comerciais e de investimento. E, na mesma linha, o HSBC estabeleceu no Reino Unido um programa exclusivo para “associados financeiros quantitativos”.

A Refinitiv ajuda as instituições financeiras a atravessar essa primeira etapa oferecendo soluções inovadoras, como a ferramenta de exploração de dados desenvolvida pelo Refinitiv Labs para cientistas de dados que atuam no setor financeiro. Uma única interface hospeda uma coleção de conjuntos de dados da Refinitiv, serviços, documentos e notebooks Jupyter pré-construídos –tudo pronto para ser experimentado rapidamente em uma série de casos de uso, incluindo geração de alfa, trading e gestão de risco.

Etapa 2: tecnologias adicionam profundidade

A profundidade no dimensionamento se reflete na forma como as instituições financeiras de 2020 se especializaram no uso de ferramentas de IA e ML, investiram em tecnologias emergentes e, assim, conseguiram transformar seus dados em fontes robustas de inteligência de negócios, aproveitando vários provedores de nuvem para garantir resiliência.

O emprego do chamado deep learning também explodiu: 75% das empresas já recorrem à tecnologia para gerar resultados de alto valor com suas estratégias de IA e ML, o que vem gerando um boom de novas estruturas e ferramentas no mercado.

Inspirando-se em big techs como Google e Facebook, as companhias de serviços financeiros estão adotando ferramentas de código aberto para redimensionar seus sistemas internos antes que a mudança de paradigma na tecnologia exija uma revisão completa em vez de apenas upgrades e mudanças relativamente econômicas nas operações.

Podemos auxiliar nessa segunda etapa com a Refinitiv Data Platform, uma nova experiência de dados baseada em nuvem com profundidade incomparável de cobertura de dados. Suas opções de acesso a dados permite que se atenda plenamente às necessidades de permissão das organizações. Além disso, a plataforma oferece um feed de dados de alta qualidade, consistente, limpo e normalizado para aplicativos de IA e ML.

Etapa 3: escalando diagonalmente

Escalar de forma diagonal significa aumentar o número de aplicativos e casos de uso de IA e ML em toda a empresa. O pensamento estratégico por trás desse pilar é encontrar maneiras criativas de implantar a mesma ferramenta ou modelo de IA/ML em várias unidades de negócios, casos de uso ou mercados em áreas como risco, trading e investimento, levando-se em conta objetivos atuais e futuros.

Isso também se aplica a dados, pois as empresas estão expandindo seu repertório de dados para incluir dados não estruturados e técnicas de extração de insights avançados, como Processamento de Linguagem Natural (PNL), para ampliar aplicativos e obter vantagem competitiva. Os dados alternativos são uma categoria de dados que vem crescendo e se desenvolvendo rapidamente para atender à alta demanda do mercado por geração de alfa.

Para essa terceira (e última) etapa, a Refinitiv oferece o PermID, ou Identificador Permanente. PermIDs são identificadores abertos, permanentes e universais para dados da Refinitiv. Eles são machine-readable e ajudam os profissionais de dados a lidar com desafios complexos de gerenciamento de dados, eliminando inconsistências de mapeamento, reduzindo o risco operacional e simplificando os processos de fluxo de trabalho de ponta a ponta.

Principais desafios

Os problemas em relação à qualidade e disponibilidade de dados –que foram sinalizados como barreiras para a adoção de IA e ML em nosso relatório de 2018— persistem, e se tornaram um desafio ainda maior em 2020.

Por outro lado, desafios como escassez de talentos, financiamento e tecnologia estão diminuindo conforme o ecossistema de IA e ML cresce e começa a ter um grande número de participantes que inovam, testam novas ferramentas, provam o seu valor para os negócios e garantem verbas.

Embora ainda não tenhamos transposto totalmente o abismo da adoção de IA/ML –o que é sinalizado pela persistente queda na experiência de desenvolvimento de aplicativos de AI/ML que segue atrapalhando muitas empresas—, agora existem muitas instituições financeiras que migraram da experimentação e dos PoCs para a construção e produção de soluções que realmente podem ser escaladas. Essas organizações já contam com orçamentos sólidos, talentos na área de tecnologia e ferramentas para garantir o sucesso de longo prazo das iniciativas.

Compare o nível de sua empresa no quesito IA/ML (e o preparo para escalar o uso da tecnologia)

Baixe o nosso relatório completo de 2020 sobre AI e ML, que inclui insights globais e regionais sobre:

  • Como as empresas estão escalando IA/ML em várias unidades de negócios.
  • O papel e a influência crescente dos cientistas de dados.
  • As estruturas e plataformas mais populares.
  • Principais desafios a superar.
  • Aceleração e investimento pós-Covid-19.
  • Previsões para 2021 sobre o uso de IA/ML no setor financeiro