Procura do ImageNet no setor financeiro | Registo em direto da tecnologia Qifu: Como é que a IA multimodal de crédito estabelece padrões?

Recentemente, a Qifu Technology, em colaboração com investigadores da Fudan University e da South China University of Technology, lançou uma transmissão ao vivo com o tema “Como estabelecer padrões para AI multimodal de crédito”. A transmissão analisou profundamente o primeiro benchmark de avaliação multimodal voltado para cenários de crédito, o FCMBench-V1.0 — que foi projetado com tarefas de avaliação centradas em percepção, raciocínio e tomada de decisão multimodal, além de disponibilizar conjuntos de dados e ferramentas de avaliação de código aberto, buscando criar uma “ régua” amplamente reconhecida para AI financeira. Com duração de uma hora, a apresentação combinou avanços acadêmicos e práticas industriais, oferecendo referências profissionais e ideias de desenvolvimento para instituições financeiras, universidades e profissionais do setor. A seguir, um resumo do conteúdo principal da transmissão.

Perspectiva de prática industrial: FCMBench fornece uma métrica unificada para capacidades de modelos de AI financeiro

Yang Yehui, responsável por multimodal na Qifu Technology, iniciou a análise do ponto de vista prático, abordando os desafios do desenvolvimento de AI financeiro e a motivação e lógica central do FCMBench-V1.0. Ele comparou AI a uma ferramenta “ enxada”, enquanto setores de alta barreira como finanças e saúde representam “ terras férteis” com potencial de crescimento. Devido às altas exigências de privacidade, segurança e conformidade nesses setores, a validação das capacidades dos modelos não pode ser feita de forma subjetiva, devendo estabelecer um sistema de avaliação objetivo e unificado.

O nascimento do FCMBench-V1.0 visa resolver as principais dúvidas na seleção de modelos por instituições financeiras. Yang destacou que atualmente há diferentes modelos que se autoproclamam de alta pontuação, mas sem uma norma comparativa única, além de problemas de desempenho significativo entre ambientes de laboratório e produção real. O valor central do FCMBench é fornecer uma “ régua” única para medir capacidades de modelos, colocando diferentes modelos na mesma linha de partida e testando suas habilidades sob condições reais de negócio.

Para essa régua, Yang propôs três princípios fundamentais: justiça, cientificidade e aplicabilidade prática. Justiça evita avaliações subjetivas, estabelecendo um padrão mínimo; cientificidade garante que a distribuição de dados, tarefas e níveis de dificuldade sejam razoáveis e capazes de distinguir algoritmos; a aplicabilidade prática é essencial, assegurando que o desempenho no benchmark possa ser diretamente utilizado em cenários reais.

Para tornar as avaliações mais próximas da realidade, o FCMBench simula mais de dez tipos de interferências de captura, inclui tarefas de julgamento de validade de documentos e comparação de múltiplos documentos, reproduzindo riscos típicos de crédito. Por exemplo, se um usuário declara uma renda anual superior a 50 mil euros, mas com uma taxa de imposto inferior a 10%, essa discrepância representa um risco que o benchmark inclui como questão de raciocínio, testando a capacidade do modelo de identificar riscos e detectar fraudes, garantindo que as tarefas tenham valor prático.

Na visão de Yang, o FCMBench não é “feito só por fazer”, seu objetivo principal é apoiar o setor e a indústria, posicionando-se como recurso público para o setor financeiro, promovendo uma profunda integração entre capacidades de AI e valor de negócio. Além disso, o benchmark funciona como uma ponte entre pesquisa acadêmica e aplicação industrial, com planos de expandir tarefas, tipos de dados, idiomas e modalidades, cobrindo todos os cenários de AI de crédito; na indústria, envolver universidades na resolução de desafios técnicos, convidar bancos e instituições financeiras para co-construção, enriquecendo os dados e cenários reais, e evoluindo para um padrão de avaliação reconhecido pelo setor, ou até um padrão de grupo, tornando-se uma barreira prática na seleção e cooperação de modelos.

Perspectiva acadêmica: o “momento ImageNet” da AI financeira ainda está por vir

Se a indústria se preocupa com “como usar a régua”, a academia está mais interessada em “por que ela falta” e em como criar uma “ régua” verdadeiramente confiável.

O professor Chen Tao, da Fudan University, abordou a questão a partir da história do desenvolvimento de AI, apontando a essência do problema: “O desenvolvimento de grandes modelos de AI depende fortemente de ecossistemas de código aberto, mas atualmente o setor financeiro carece de conjuntos de dados de avaliação e padrões reconhecidos nacional e internacionalmente. Sem uma ‘ régua’ unificada, empresas e academia têm dificuldades de colaborar na pesquisa, o que limita o ecossistema de desenvolvimento e, fundamentalmente, restringe o surgimento de grandes modelos financeiros.”

Ele destacou o marco do aprendizado profundo — o ImageNet. “O conjunto de dados ImageNet impulsionou a explosão do aprendizado profundo, tornando-se um padrão de avaliação unificado na área de reconhecimento de imagens. Padrões semelhantes são essenciais para avanços na AI.” Chen acredita que o setor financeiro atualmente carece de um conjunto de avaliação unificado e abrangente, necessário para criar um ecossistema de desenvolvimento colaborativo, e que é urgente desenvolver um “ImageNet” próprio.

Sobre o FCMBench-V1.0, Chen avaliou que ele é um dos benchmarks de avaliação unificada mais abrangentes e confiáveis no setor financeiro de crédito, tanto nacional quanto internacional. Em comparação com outros conjuntos de dados dispersos, o FCMBench-V1.0 foi o primeiro a unificar modalidades, cobrindo tarefas centrais como crédito e risco, e foi projetado inteiramente com foco em cenários reais de negócio. Sua característica de lançamento pela Qifu Technology e pelo setor confere-lhe abrangência e praticidade, tornando-se uma importante iniciativa para criar um “ImageNet” específico para o setor financeiro.

Perspectiva de integração indústria-academia: vantagens de implementação do AI financeiro e conexão com formação de talentos

Professor Xu Yanwu, da South China University of Technology, abordou a aplicação prática do AI financeiro sob a ótica da integração entre indústria, academia e pesquisa, destacando as vantagens de implementação e o valor do FCMBench na formação de talentos.

Ele esclareceu um equívoco comum: “Muita gente pensa que o AI no setor financeiro ‘não tem presença forte’, mas isso não é verdade. AI já participa profundamente de cenários como precificação de seguros, avaliação de ativos e trading quantitativo. Essas aplicações, porém, não aparecem diretamente em produtos de consumo, por isso parecem ‘ invisíveis’.”

Xu também apontou que, em comparação com setores de alta barreira como saúde, o AI financeiro tem uma vantagem significativa na implementação prática, podendo alcançar eficiência dezenas ou centenas de vezes maior. Essa vantagem se deve ao fato de que, na área de crédito, é possível usar dados históricos, testes paralelos de modelos e validações rápidas para verificar o efeito real, com ciclos de ajuste curtos. Em saúde, mudanças de algoritmos exigem revalidações clínicas completas, levando anos, o que aumenta os custos operacionais.

Para a construção de conjuntos de dados financeiros, Xu destacou três elementos essenciais: valor, abrangência e justiça. Dados de alta qualidade devem ser relevantes e inovadores, resolvendo problemas reais do setor; o design deve ser completo e preciso, atendendo às múltiplas necessidades de aplicação; a avaliação deve ser justa e imparcial, baseada em valores públicos do setor, não em interesses privados.

A introdução do FCMBench-V1.0 atende a esses três critérios e também desempenha papel importante na formação de talentos financeiros. Xu afirmou que o benchmark conecta a formação de profissionais com as demandas do setor, ajudando a criar uma equipe de talentos qualificados. Ele pode oferecer a estudantes de AI com foco financeiro cenários práticos reais, aumentando sua competitividade no mercado de trabalho, além de fornecer aos estudantes de algoritmos aplicações financeiras próximas à realidade, facilitando sua adaptação às demandas do setor financeiro e contribuindo para a formação contínua de talentos de alta qualidade, fortalecendo a equipe do setor.

Nesta transmissão, os três convidados abordaram, de diferentes perspectivas — prática industrial, pesquisa acadêmica e integração indústria-academia —, a construção de padrões para AI multimodal de crédito, proporcionando uma compreensão mais clara do estado atual, desafios e futuros caminhos do AI financeiro. Com a operação contínua e co-construção do FCMBench-V1.0, e a participação de mais instituições financeiras e universidades, espera-se que o setor financeiro crie um ecossistema de código aberto semelhante ao ImageNet, promovendo uma integração mais profunda entre tecnologia e negócios financeiros, e impulsionando o desenvolvimento de AI financeiro padronizado, normatizado e capaz de gerar avanços tecnológicos e aplicação prática de forma mútua.