FinTech e IA impulsionando a próxima onda de inovação

Anna Schoff – Licenciada em Mestrado (MSc) em Fala e PLN, com especialização em aprendizagem profunda, ciência de dados e aprendizagem automática. Os seus interesses de investigação incluem a decifração neural de línguas antigas, tradução automática para poucos recursos e identificação de linguagem. Tem vasta experiência em investigação em linguística computacional, IA e PLN tanto na academia como na indústria.

Bhushan Joshi – Líder de Competências para Banking ISV, Mercados Financeiros e Gestão de Património, com vasta experiência em banca digital, mercados de capitais e transformação para a cloud. Liderou estratégia de negócio, consultoria e implementações de tecnologia financeira em larga escala para bancos globais, com foco em microsserviços, 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, em vendas técnicas e em aconselhar executivos do C-suite sobre transformações orientadas por IA na cadeia de abastecimento e nos serviços financeiros.

Raja Basu – Líder de gestão de produto e inovação, com experiência em IA, automação e sustentabilidade nos mercados financeiros. Com uma forte base em transformação da tecnologia bancária, liderou projetos globais de consultoria e implementação nos EUA, Canadá, Europa e Ásia. Atualmente é doutorando na XLRI, concentrando-se no impacto da IA nos sistemas financeiros e na sustentabilidade.

Descubra as principais notícias e eventos de fintech!

Subscreva a newsletter da FinTech Weekly

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

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

A IA pode captar padrões e anomalias que os humanos normalmente não notam devido à capacidade dos sistemas de IA consumirem quantidades muito grandes de dados em muitas formas estruturadas e não estruturadas.

No entanto, o cérebro humano, com mais de 600 biliões de ligações sinápticas, foi descrito como o objeto mais complexo que conhecemos em qualquer lugar – a Terra, o sistema solar e além.  A IA pode complementar a análise humana através da sua capacidade de processar muitos detalhes em volume, mas não consegue pensar.

Em aulas sobre IA em Yale, muitos anos atrás, definiram IA como “o estudo de processos cognitivos por meio de modelos computacionais”.  Esta definição continua a aplicar-se.  Frequentemente, os modelos computacionais resultantes são úteis por si só, e a sua capacidade evoluiu desde Expert Systems e pequenas Redes Neuronais Artificiais até às técnicas de Deep Learning usadas para construir Large Language Models (LLMs) e os Foundation Models utilizados em Generative AI.   Os avanços em hardware tornaram muito disso possível, e temos a certeza de que ainda há mais por vir.

Voltando aos anos 1990, sabíamos que a falta de conhecimento geral em sistemas de IA era um fator limitador significativo, e agora somos capazes de suprir isso em grandes modelos de IA.  A tecnologia de IA inicial estava limitada a tarefas muito específicas, de certa forma como “idiot savants” — capaz de fazer uma tarefa muito específica muito bem, mas inútil para qualquer outra coisa.

Dito isto, eles fizeram e ainda podem proporcionar valor nas suas tarefas específicas com custos de computação muito mais baixos.  Por razões de sustentabilidade, estas tecnologias ainda podem cumprir os seus papéis no panorama de IA.

As capacidades de Natural Language Processing (NLP) e Speech Processing fornecidas pelos LLMs são agora capazes de captar com precisão talvez 90% do conteúdo de uma troca em Linguagem Natural, o que tem um valor muito elevado para a interação humano-máquina.

No estado da arte atual, os modelos usados para NLP são executados a um custo computacional muito elevado (leia-se: uma conta de eletricidade muito alta), o que vai contra considerações de sustentabilidade.  Tenha em conta que um bibliotecário experiente ou um profissional semelhante pode fornecer resultados 100% corretos e só precisa de almoço.  Devemos usar o recurso adequado no momento adequado.

Mais recentemente, com desenvolvimentos como DeepSeek, vemos otimizações ao construir aplicações mais pequenas e específicas para cada aplicação, usando as mesmas tecnologias utilizadas nos modelos mais abrangentes.  Isto é uma situação em que todos ganham, ao disponibilizar tecnologia de IA robusta para resolver um domínio de problema, reduzindo simultaneamente os custos de computação.  Por exemplo, um sistema de IA para Fintech que apoie a gestão de património não precisa de formação em literatura inglesa.

Aconselhamento de Gestão de Património Assistida por IA

Vamos considerar a gestão de património como um exemplo de aplicação.

Uma entrevista a um cliente para criar um perfil do cliente poderia ser orientada por técnicas básicas de IA, como uma árvore de decisão ou um Expert System.  No entanto, com base na nossa experiência anterior com entrevistas conduzidas por alguns Expert Systems, um conselheiro bem qualificado obterá melhores resultados apenas através de uma conversa.  Não há substituto para pessoas que sabem o que estão a fazer.  A IA deve ajudar, mas não deve conduzir.

Análise de Carteira

Se o cliente tiver uma carteira atual, é necessário fazer a sua análise, e a IA também pode ajudar aqui.  Como é que os investimentos se comportaram ao longo do tempo?  O cliente tende a concentrar-se em indústrias específicas?  Qual é a perspetiva quanto a como é provável que estas evoluam no futuro?  Qual é a história das negociações do cliente?

Com base no perfil do cliente e na análise da carteira, o consultor poderá introduzir limites específicos quanto ao que a análise deve considerar para a carteira de investimentos proposta.  Estes podem incluir preferências pessoais, limites de risco, limites de fundos disponíveis e qualquer outra consideração que possa condicionar as escolhas.

Aconselhamento de Gestão de Património Assistida por IA

Há várias empresas que utilizam modelos de IA para fornecer orientação sobre quais ações ou segmentos de mercado têm probabilidade de ir bem ou de ir mal. Isto é enquadrado quer como um problema de predição, no qual o movimento da tendência pode ser previsto, quer como um problema de classificação, que é uma área em que a IA é especialmente forte. Um consultor pode usar estes serviços existentes para fornecer este tipo de informação.

As considerações Ambientais, Sociais e de Governação (ESG) também podem influenciar o resultado.  Estas podem já estar incluídas como entrada no modelo de IA utilizado para realizar a análise.  O consultor e o cliente terão de discutir que aspetos específicos incluir no modelo de carteira.

Arquitetura de Strawman

Uma visão conceptual de strawman poderá parecer algo como o diagrama abaixo. Existem muitas variações possíveis.

Uma implementação muito comum seria baseada num único modelo de fundação GenAI a fazer tudo o que descrevemos abaixo, mas pensamos que a divisão das tarefas é uma abordagem melhor.

Cada modelo trataria uma parte do domínio do problema e, por isso, poderia ser mais pequeno do que um modelo abrangente.  Alguns sistemas poderiam funcionar continuamente enquanto outros funcionariam sob pedido.

No diagrama, estamos a assumir que existiriam modelos de Predictive Generative AI a servir como sistemas de aconselhamento para outros modelos de IA específicos para outros fins.  Estes modelos GenAI fariam a maior parte da análise do mercado e seriam treinados para os vários mercados e instrumentos financeiros.

Consumiriam feeds de dados e, em conjunto com outros dados do data lake, produziriam previsões de mercado para deteção de crescimento e de anomalias, o que poderá mitigar riscos.  Não estamos convencidos de que tais sistemas já tenham amadurecido até um ponto de serem fiáveis, mas estão a avançar no seu desenvolvimento.

Os resultados de cada modelo Predictive GenAI seriam registados no data lake.  Além disso, os modelos de análise poderiam enviar notificações push para outros modelos para executarem tarefas específicas.  Estes modelos poderiam ser executados numa base periódica ou, possivelmente, continuamente durante o período em que o mercado de interesse está ativo.

Sistemas de negociação autónomos poderiam usar os feeds de estado das análises do mercado para despoletar negociações.  Sistemas de classificação avaliariam periodicamente os ativos e manteriam um histórico contínuo das classificações de ativos no data lake. Finalmente, chegamos ao GenAI Portfolio Assistant.

O Portfolio Assistant seria o sistema de recomendação suportado por IA (Recommender) que tem acesso aos dados de mercado atuais e ao histórico.  O consultor poderia interagir com o assistente para fornecer o perfil do cliente e solicitar recomendações.  Isto poderia ser feito da melhor forma com o cliente presente.  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 de NLP, que poderia ser baseada em texto ou em voz.

O Portfolio Assistant responderia ao consultor usando informação do modelo, do data lake, ou através de consultas via API para os modelos de Market Analysis. A interface de NLP fornece um assistente poderoso, mas, com base na experiência, o consultor precisará de saber como fazer as perguntas para obter resultados úteis.

Sem esse intermediário humano, a experiência de interagir com um sistema de NLP para um tópico tão complexo pode ser frustrante para o utilizador iniciante. Large Language Models são muito mais capazes do que qualquer tecnologia anterior nesta área, mas ainda não é provável que passem no Teste de Turing.

Um Teste de Turing exige que uma pessoa humana não consiga distinguir uma máquina de outra pessoa humana utilizando as respostas às perguntas colocadas a ambos.  Estas máquinas não são humanas e não conseguem responder exatamente como um humano poderia. Muitas empresas contratam pessoas cuja descrição do trabalho é literalmente apenas interagir com LLMs e sistemas de GenAI, criando prompts para obter respostas melhores a partir do modelo.

De acordo com um relatório de 2021 da Juniper research, 40% dos clientes bancários globais usarão chatbots de NLP para transações até 2025.  Adicionar NLP antes de qualquer aplicação voltada para o cliente é frequentemente onde uma empresa começa.  Outros sistemas de IA focam-se em automatizar tarefas comuns.  O último tem sido muito bem-sucedido para aplicações de Supply Chain.

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

A Cornell University desenvolveu um GenAI Model 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 Supply Chain ou mesmo Banca.  Existem muitas mais variáveis e comportamentos complexos, impulsionados em parte pelos números do mercado, pelas regulamentações e pelas respostas emocionais dos participantes.

Parte disso pode ser capturada usando estatística para reduzir o risco, mas as previsões para os mercados financeiros se enquadram na categoria de problemas de álgebra, em que existem variáveis demais e equações de menos.  A IA pode procurar padrões e anomalias para além de apenas fazer a matemática.

A Computação Quântica é outra tecnologia que valeria a pena explorar.  Esta já está a demonstrar valor em certas aplicações nas ciências. Foi sugerida para uso na gestão de risco através de simulações de Monte Carlo para um exemplo financeiro.

Veremos o que o futuro reserva.