Atuando como uma ponte entre seres humanos e computadores, o processamento de linguagem natural tem desempenhado papel fundamental nos departamentos de compliance das corporações, demonstrando como esse ramo da Inteligência Artificial pode ajudar a revolucionar o setor financeiro
- Quando usados em conjunto, o processamento de linguagem natural e a análise de texto conseguem atender a uma série de desafios enfrentados pelas instituições financeiras.
- Na área de compliance, os dados são estruturados e categorizados para ajudar nos processos de due diligence contra a lavagem de dinheiro.
- Dessa forma, os casos de erro humano serão muito menores e dispendem-se menos recursos, liberando os times de compliance para se concentrar em outras funções.
O processamento de linguagem natural (PLN) é um dos pilares que compõem a Inteligência Artificial (IA) e, essencialmente, usa algoritmos para ajudar os computadores a entender a linguagem cotidiana dos seres humanos – tanto falada quanto escrita.
Como tal, o PLN funciona como uma espécie de ponte, fundamental para a interação entre computadores e seres humanos. Ele permite que as máquinas entendam comandos e informações geradas pelos homens de maneira simples e direta. E, quando computadores conseguem entender os códigos diários de comunicação dos seres humanos, o potencial para agregar valor às mais variadas àreas de conhecimento e indústrias torna-se quase ilimitado.
Ajude a evitar que sua empresa envolva-se (inadvertidamente) em crimes financeiros com o World-Check
Aplicações no mundo real
O Center for Cognitive Computing (Centro para Computação Cognitiva) está constantemente pesquisando maneiras de aperfeiçoar diferentes áreas da Inteligência Artificial, entre elas a percepção, o raciocínio e o gerenciamento de conhecimento das máquinas –além de criar interfaces mais “naturais” entre o homem e o computador.
O foco disso tudo é sempre projetar algoritmos que consigam oferecer soluções práticas para desafios do mundo real. E, muitas dessas soluções adotam o PLN.
Um excelente exemplo de PLN em ação no mundo real é o News Analysis. Trata-se de um sistema de PLN destinado a simplificar a vida dos participantes do mercado financeiro que lidam com grandes volumes de conteúdo de mídia. Por meio do poder computacional, o News Analytics consegue acompanhar e analisar uma vasta quantidade de notícias da Reuters, selecionando notícias relevantes para milhares de empresas – tudo em tempo real.
Para os traders, esse é um recurso inestimável que auxilia com estratégias quantitativas e permite que os gerentes de ativos tenham mais tempo para se concentrar em tarefas de maior valor agregado, como decisões relacionadas à alocação de ativos.
Nada disso seria possível sem o PLN.
Outros exemplos de aplicações de Processamento de Linguagem Natural no dia-a-dia incluem a conversão de palavras faladas em texto e de texto em fala, além da tradução automática de um idioma para outro.
Combinação de PLN com análise de texto
Na era do Big Data, o gigantesco volume de conteúdo que deve ser analisado e gerenciado em qualquer setor pode ser avassalador. Mas as máquinas podem ajudar a estruturar esse conteúdo e a eliminar o que não é útil, identificando as informações relevantes para um determinado usuário naquele momento.
A tecnologia de análise de texto consegue agrupar e estruturar grandes volumes de conteúdo, para que depois possam ser analisados a fim de detectar temas ou padrões. A análise de texto e o processamento de linguagem natural costumam ser usados em conjunto para a resolução de uma série de tarefas, e essa combinação pode ser aplicada em vários setores.
Processos de due diligence
Para os profissionais de compliance, realizar o due diligence de acordo com os regulamentos de combate à lavagem de dinheiro (AML, na sigla em inglês) frequentemente envolve a análise e o gerenciamento de significativos volumes de conteúdo.
Combinando o poder do PLN e da análise de texto, os dados podem ser estruturados e categorizados. Documentos e frases isoladas, por exemplo, podem ser marcados para que possam ser encontrados; eventos podem ser agrupados; e conteúdos duplicados podem ser destacados.
Tudo isso significa uma enorme economia de tempo e trabalho, pois as equipes não precisam mais analisar manualmente os conteúdos. Como se isso já não fosse ganho suficiente, o fator de erro humano ainda é removido, e a pressão sobre os recursos, amenizada, já que o time ficará livre para se concentrar em áreas de maior valor agregado.
Desafios e limitações
É importante, como sempre, manter expectativas realistas. Em nosso relatório 2018 AI Predictions, citamos um exemplo das atuais limitações do PLN ao analisar as capacidades da Siri, a famosa “assistente pessoal inteligente” da Apple.
Nesse exemplo, a Siri foi capaz de interpretar e responder satisfatoriamente a um comando simples: “toque músicas que eu gosto”. No entanto, diante de um comando um pouco mais complexo (“toque músicas que minha esposa gosta”) o sistema acionou uma pesquisa na internet, apesar do fato de o usuário e sua mulher compartilharem a mesma lista de músicas favoritas em um plano de música da família.
Ambos os comandos usam linguagem natural, mas o comando mais complexo resultou em uma falha.
Esse exemplo que demos acima, bastante simples, destaca que, em geral, ainda existem muitos desafios e limitações para a Inteligência Artificial e o PLN, e é preciso que os usuários levem isso em consideração. No entanto, a pesquisa e desenvolvimento contínuos e um apetite sempre crescente por todas as coisas que envolvem IA significam que novas capacidades estão se desenvolvendo em tempo exponencial.
