IA em bancos e finanças. Stripe, Monzo e Grab | IA nos negócios #78

IA no setor bancário – introdução

A inteligência artificial já é amplamente utilizada em muitas áreas do setor bancário e financeiro. Não se trata apenas de chatbots para atendimento ao cliente ou aplicações bem seguras. A inteligência artificial está sendo utilizada na indústria financeira para propósitos ainda mais sérios. Aqui estão as principais aplicações da IA no setor bancário:

• Detecção e prevenção de fraudes – algoritmos avançados analisam transações em tempo real e detectam padrões de atividade suspeita. Isso protege efetivamente os clientes contra golpes,
• Otimização da previsão de liquidez financeira – modelos preditivos baseados em IA analisam vastas quantidades de dados para prever com precisão os fluxos de caixa futuros e gerenciar a liquidez de forma mais precisa.
• Agilização de processos relacionados à avaliação de crédito – aqui também, algoritmos de aprendizado de máquina vêm em auxílio, que, com base na análise de milhares de solicitações de crédito, podem avaliar com precisão a credibilidade financeira de um cliente,
• Personalização de ofertas e recomendações para clientes – os bancos utilizam modelos avançados de recomendação para adaptar produtos financeiros às necessidades individuais dos clientes,
• Automação de processos de back-office – tarefas rotineiras, como verificação de documentos ou liquidação de transações, podem ser totalmente automatizadas com a ajuda da IA.

No entanto, como as empresas que operam em mercados globais lidaram com a implementação dessas inovações?

Stripe: credibilidade de transações através da IA em finanças

Um dos líderes na aplicação de IA nas finanças é a Stripe. Ela desenvolveu um sistema chamado Stripe Radar, que analisa mais de 1.000 características de uma transação em menos de 100 milissegundos para avaliar sua confiabilidade. O sistema tem uma taxa de precisão de 99,9% enquanto mantém uma baixa taxa de falsos alarmes.

Como isso foi alcançado? Primeiro, a Stripe utiliza técnicas avançadas de aprendizado de máquina, como redes neurais profundas. O sistema está constantemente sendo aprimorado e desenvolvido com novas capacidades, como aprendizado por transferência.

Em segundo lugar, a empresa está constantemente em busca de novos sinais nos dados de transações que possam ajudar a identificar anomalias que indicam fraudes potenciais. Os engenheiros da Stripe revisam cuidadosamente cada caso de fraude para entender os padrões de operação dos criminosos e enriquecer o sistema com regras adicionais.

O Stripe Radar é um excelente exemplo de como a IA no setor bancário pode proteger efetivamente os clientes contra fraudes financeiras.

Fonte: Stripe (https://stripe.com/blog/how-we-built-it-stripe-radar)

Monzo: IA em finanças

Monzo, um neobank baseado no Reino Unido que opera exclusivamente no espaço digital, aplicou capacidades de aprendizado de máquina em uma área completamente diferente: otimização de campanhas de marketing.

O banco construiu modelos que, com base em dados históricos, podem estimar a disposição de um determinado cliente em aproveitar uma oferta adicional, como abrir uma conta de poupança, se receber uma mensagem específica do banco.

Em seguida, para maximizar a eficiência da campanha, o sistema indica quais clientes devem receber qual mensagem promocional. Isso permite direcionar precisamente a mensagem e alcançar resultados significativamente melhores do que no caso de comunicação em massa e não personalizada.

Em alguns casos, a implementação de tal otimização permitiu que a Monzo aumentasse a eficácia das campanhas em até 200%! Isso demonstra como a IA no setor bancário pode ajudar a alcançar os clientes de forma mais eficiente com ofertas personalizadas que ressoam com eles.

Fonte: Monzo (https://medium.com/data-monzo/optimising-marketing-messages-for-monzo-users-3fe805f24572)

Grab: IA na classificação de dados sensíveis

Grab é um gigante tecnológico do Sudeste Asiático, oferecendo serviços como transporte e entrega. A empresa decidiu aproveitar as capacidades dos Modelos de Linguagem (LLM) para automatizar o processo de classificação de dados sensíveis que armazena. Isso é crucial porque a empresa detém os dados pessoais e financeiros de seus clientes.

Para esse fim, um conjunto de tags foi preparado descrevendo várias categorias de dados, como:

• Dados pessoais,
• Informações de contato,
• Números de identificação.

Em seguida, consultas apropriadas foram projetadas para que o modelo de linguagem atribua automaticamente essas tags com base nos nomes de tabelas e colunas nos bancos de dados.

Como resultado, a Grab pode classificar as informações armazenadas por sensibilidade de forma muito mais rápida e barata. Isso facilita a aplicação de políticas de acesso a dados e privacidade. De acordo com as estimativas da empresa, a solução economizou até 360 dias de trabalho por ano que antes eram gastos na classificação manual de dados.

Fonte: DALL·E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Resumo. O futuro da IA no setor bancário e financeiro

Como mostram os exemplos da Stripe, Monzo e Grab, a inteligência artificial já está trazendo valor real para bancos e instituições financeiras. Ela pode ajudar a prevenir fraudes de forma mais eficaz, direcionar clientes com mais precisão ou automatizar tarefas tediosas.

Nos próximos anos, o papel da IA no setor bancário continuará a crescer de forma constante. Podemos esperar a automação total de muitos processos de back-office, hiperpersonalização de produtos financeiros e uma integração mais próxima dos modelos de aprendizado de máquina com os sistemas bancários.

Se você gosta do nosso conteúdo, junte-se à nossa comunidade de abelhas ocupadas no Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.