FinTech e IA impulsionando a próxima onda de inovação

Anna Schoff – Licenciada em Mestrado em Fala e NLP com especialização em aprendizagem profunda, ciência de dados e aprendizagem de máquina. Os seus interesses de investigação incluem deciframento neural de línguas antigas, tradução automática de recursos limitados e identificação de línguas. Possui vasta experiência em linguística computacional, IA e investigação em NLP na academia e na indústria.

Bhushan Joshi – Líder de Competências para ISV Bancário, Mercados Financeiros e Gestão de Património, com vasta experiência em banca digital, mercados de capitais e transformação na cloud. Liderou estratégias de negócio, consultoria e implementações de tecnologia financeira em grande escala para bancos globais, focando em microserviços, otimização de processos e sistemas de negociação.

Kenneth Schoff – Especialista Técnico Distinto do Open Group na IBM AI Applications, com mais de 20 anos de experiência em banca, mercados financeiros e fintech. Especializa-se em soluções IBM Sterling, vendas técnicas e aconselhamento a executivos de topo sobre transformações impulsionadas por IA na cadeia de abastecimento e serviços financeiros.

Raja Basu – Líder em gestão de produtos e inovação, com especialização em IA, automação e sustentabilidade nos mercados financeiros. Com forte background em transformação tecnológica bancária, liderou projetos de consultoria e implementação globais nos EUA, Canadá, Europa e Ásia. Atualmente, é estudante de doutoramento na XLRI, focando no impacto da IA nos sistemas financeiros e na sustentabilidade.

Descubra as principais notícias e eventos de fintech!

Subscreva a newsletter do FinTech Weekly

Lida por executivos na JP Morgan, Coinbase, Blackrock, Klarna e outros

O desenvolvimento de tecnologia de IA para FinTech está a crescer com grande potencial, mas o crescimento pode ser mais lento do que noutras aplicações devido à complexidade do problema.

A IA consegue captar padrões e anomalias que os humanos normalmente não detectam devido à capacidade dos sistemas de IA de consumir grandes quantidades de dados em várias formas estruturadas e não estruturadas.

No entanto, o cérebro humano, com mais de 600 trilhões de ligações sinápticas, é considerado o objeto mais complexo que conhecemos – do planeta Terra, ao sistema solar e além. A IA pode complementar a análise humana pela sua capacidade de processar muitos detalhes em volume, mas não consegue pensar.

Nas aulas de IA na Yale há muitos anos, definiram IA como “o estudo dos processos cognitivos por meio de modelos computacionais”. Esta definição ainda se aplica. Muitas vezes, os modelos computacionais resultantes são úteis por si só, tendo evoluído de Sistemas Especialistas e Pequenas Redes Neurais Artificiais para as técnicas de Deep Learning usadas na construção de Grandes Modelos de Linguagem (LLMs) e Modelos de Fundação utilizados na IA Generativa.

Os avanços em hardware tornaram tudo isto possível, e certamente há mais por vir.

Nos anos 1990, sabíamos que a falta de conhecimento geral nos sistemas de IA era um fator limitador importante, e agora conseguimos fornecer esse conhecimento em grandes modelos de IA. A tecnologia de IA inicial era limitada a tarefas muito específicas, semelhantes a savants idiotas – capazes de realizar uma tarefa muito específica bem, mas inúteis para qualquer outra.

Dito isto, esses sistemas ainda podem oferecer valor às suas tarefas específicas com custos computacionais muito mais baixos. Por razões de sustentabilidade, essas tecnologias ainda podem cumprir seus papéis no panorama da IA.

As capacidades de Processamento de Linguagem Natural (PLN) e Processamento de Fala proporcionadas pelos LLMs agora conseguem captar talvez 90% do conteúdo de uma troca em linguagem natural com alta precisão, o que é de grande valor para a interação humano-máquina.

No estado atual da arte, os modelos usados para PLN têm um custo computacional muito elevado (leia-se, contas de eletricidade muito altas), o que vai contra considerações de sustentabilidade. Tenha em mente que um bibliotecário experiente ou profissional semelhante pode fornecer resultados 100% precisos e só precisa de almoço. Devemos usar o recurso adequado no momento adequado.

Mais recentemente, com desenvolvimentos como o DeepSeek, observamos otimizações ao construir aplicações menores e específicas usando as mesmas tecnologias dos modelos abrangentes maiores. Isto é uma situação ganha-ganha, ao fornecer tecnologia de IA robusta para resolver um domínio de problema, ao mesmo tempo que reduz custos de computação. Por exemplo, um sistema de IA de Fintech para gestão de património não precisa de um background em literatura inglesa.

Assistência de IA na Gestão de Património

Vamos considerar a gestão de património como exemplo de aplicação.

Uma entrevista com o cliente para criar um perfil pode ser conduzida por técnicas básicas de IA, como uma árvore de decisão ou Sistema Especialista. No entanto, com base na nossa experiência anterior com entrevistas conduzidas por Sistemas Especialistas, um consultor bem qualificado obterá melhores resultados apenas com uma conversa. Não há substituto para pessoas que sabem o que fazem. A IA deve ajudar, mas não conduzir.

Análise de Carteira

Se o cliente tiver uma carteira atual, esta necessita de análise, e a IA pode ajudar aqui também. Como têm evoluído os investimentos ao longo do tempo? O cliente tende a focar-se em setores específicos? Qual é o prognóstico para o desempenho futuro? Qual é o histórico de negociações do cliente?

Com base no perfil do cliente e na análise da carteira, o consultor pode estabelecer limites específicos para o que a análise deve considerar na proposta de carteira de investimento. Estes limites podem incluir preferências pessoais, limites de risco, limites de fundos disponíveis e quaisquer outras considerações que possam restringir as opções.

Assistência de IA na Gestão de Património

Existem várias empresas que usam modelos de IA para fornecer orientações sobre quais ações ou segmentos de mercado podem ter bom desempenho ou podem ter pior desempenho. Isto é enquadrado como um problema de previsão, onde o movimento da tendência pode ser previsto, ou como um problema de classificação, uma área em que a IA se destaca. Um consultor pode usar esses serviços existentes para fornecer esse tipo de informação.

As considerações ambientais, sociais e de governança (ESG) também podem influenciar o resultado. Estas podem já estar incluídas como entrada no modelo de IA usado na análise. O consultor e o cliente precisarão discutir que detalhes incluir no modelo de carteira.

Arquitetura Proposta

Uma visão conceptual de strawman pode parecer algo como o diagrama abaixo. Muitas variações são possíveis.

Uma implementação bastante comum seria baseada num único modelo de Fundamento GenAI que realize todas as tarefas descritas abaixo, mas achamos que dividir as tarefas é uma abordagem melhor.

Cada modelo abordaria uma parte do domínio do problema e poderia, portanto, ser menor do que um modelo abrangente. Alguns sistemas poderiam funcionar continuamente, enquanto outros funcionariam sob demanda.

No diagrama, assumimos que haveria modelos de IA Generativa Preditiva atuando como sistemas de aconselhamento para outros modelos de IA específicos de propósito. Estes modelos GenAI fariam a maior parte da análise de mercado e seriam treinados para os vários mercados e instrumentos financeiros.

Eles consumiriam feeds de dados e, combinados com outros dados do data lake, produziriam previsões de mercado para crescimento e detecção de anomalias, o que poderia mitigar riscos. Ainda não estamos convencidos de que esses sistemas tenham amadurecido a ponto de serem totalmente confiáveis, mas estão em desenvolvimento avançado.

Os resultados de cada modelo de IA Generativa Preditiva seriam registados no data lake. Além disso, os modelos de análise poderiam enviar notificações a outros modelos para realizar tarefas específicas. Estes modelos poderiam ser executados periodicamente ou continuamente durante o período em que o mercado de interesse estiver ativo.

Sistemas de negociação autónomos poderiam usar os feeds de estado das análises de mercado para desencadear negociações. Sistemas de classificação avaliam periodicamente os ativos e mantêm um histórico contínuo das classificações no data lake. Por fim, chegamos ao Assistente de Portfólio GenAI.

O Assistente de Portfólio seria o sistema de recomendação apoiado por IA que tem acesso a dados de mercado atuais e históricos. O consultor poderia interagir com o assistente para fornecer o perfil do cliente e solicitar recomendações. O melhor seria fazer isso na presença do cliente. A interação do consultor com o cliente deve ser capturada e registada no data lake como entrada para a análise.

O acesso do consultor aos sistemas de IA é feito através de uma interface NLP, que pode ser baseada em texto ou voz.

O Assistente de Portfólio responderia ao consultor usando informações do modelo, do data lake ou consultas API aos modelos de Análise de Mercado. A interface NLP fornece um assistente poderoso, mas, na prática, o consultor precisa de saber como formular as perguntas para obter resultados úteis.

Sem esse intermediário humano, a experiência de interagir com um sistema NLP para um tema tão complexo pode ser frustrante para o iniciante. Os Grandes Modelos de Linguagem são muito mais capazes do que qualquer tecnologia anterior nesta área, mas ainda não devem passar no Teste de Turing.

O Teste de Turing exige que um humano não consiga distinguir uma máquina de outro humano pelas respostas às perguntas feitas a ambos. Essas máquinas não são humanas e não podem responder exatamente como um humano. Muitas empresas contratam pessoas cuja função é literalmente interagir com LLMs e sistemas de IA Generativa, criando prompts para obter respostas melhores do modelo.

De acordo com um relatório de 2021 da Juniper Research, 40% dos clientes bancários globais usarão chatbots de PLN para transações até 2025. Adicionar PLN a qualquer aplicação de atendimento ao cliente é frequentemente o primeiro passo de uma empresa. Outros sistemas de IA focam na automação de tarefas comuns. Este último tem sido muito bem-sucedido em aplicações de Cadeia de Abastecimento.

A automação baseada em IA pode eliminar muitos processos manuais e tornar os fluxos de trabalho mais eficientes. PLN e automação de tarefas podem beneficiar quase qualquer setor. O desenvolvimento de IA para análise de Mercados Financeiros é uma tarefa relativamente difícil.

A Universidade de Cornell desenvolveu um Modelo GenAI chamado StockGPT. Veja “StockGPT: A GenAI Model for Stock Prediction and Trading” em

Conclusão

A análise dos mercados financeiros é um pouco mais complexa do que aplicações como Cadeia de Abastecimento ou mesmo Banca. Existem muitas variáveis e comportamentos complexos, impulsionados em parte pelos números do mercado, regulações e respostas emocionais dos participantes.

Algumas dessas variáveis podem ser capturadas usando estatísticas para reduzir riscos, mas as previsões para os mercados financeiros enquadram-se na categoria de problemas de álgebra, onde há muitas variáveis e poucas equações. A IA pode procurar padrões e anomalias, além de fazer cálculos.

A Computação Quântica é outra tecnologia que vale a pena explorar. Já demonstra valor em certas aplicações científicas. Foi sugerida para uso na gestão de riscos via simulações de Monte Carlo em um exemplo financeiro.

Vamos ver o que o futuro nos reserva.