Países tão diversos como Portugal, Guatemala, Chile, Colômbia, México e Omã foram o foco das nossas Provas de Conceito nos últimos meses e os resultados para o nosso motor de inteligência artificial próprio, o COCO, surpreenderam-nos de forma bastante positiva. O treino com dados transacionais em mercados tão diferentes fortalece a sua capacidade de resposta e apura a sua compreensão dos dados bancários.
Óscar Barba
Cofundador e CTO da Coinscrap Finance
Adaptação inteligente a mercados financeiros diversos
Um dos maiores desafios na expansão das tecnologias financeiras é a adaptação a ambientes com diferentes normativas, sistemas bancários e hábitos de consumo. Contudo, o transfer learning permite-nos aproveitar o conhecimento adquirido num mercado e aplicá-lo eficientemente em outro, reduzindo os tempos de implementação e melhorando a precisão da análise transacional.
Esta abordagem oferece vantagens-chave para os bancos que procuram escalar a sua tecnologia a nível global. Para alcançar uma implementação rápida em novos países, não é necessário começar do zero, pois a aprendizagem por transferência permite que se expandam de forma natural. Ao implementar os ajustes adequados, consegue-se uma adaptação total às necessidades específicas de cada região.
Uma das vantagens competitivas da inteligência artificial é a otimização de custos e tempos. Reduz-se o esforço necessário para treinar modelos em cada um dos mercados e otimiza-se o tempo de processamento da informação. O COCO é capaz de analisar e enriquecer os dados transacionais bancários em milissegundos e oferecer uma precisão superior a 90%.
💡 Sabia que...
A capacidade de transferir soluções financeiras com rapidez e precisão para diferentes mercados está a redefinir o panorama bancário global, oferecendo serviços mais eficientes e personalizados para utilizadores de qualquer parte do mundo.
Aspetos técnicos do transfer learning em dados transacionais
O transfer learning no contexto dos dados transacionais bancários apresenta uma série de desafios e oportunidades técnicas. COCO foi projetado para aprender padrões financeiros de um conjunto de dados e transferir esse conhecimento para novos ambientes. A seguir, indico os aspetos técnicos mais importantes ao trabalhar com um motor de IA:
Normalização de dados
Diferentes bancos e países lidam com diferentes categorias transacionais. É fundamental realizar uma normalização e padronização para garantir a consistência na aprendizagem.
Aprendizagem multimodal
COCO não analisa apenas transações, mas também padrões de gasto. A capacidade de integrar diferentes fontes de dados melhora a robustez do nosso modelo.
Ajuste de hiperparâmetros
Uma vez que cada mercado tem características únicas, utilizamos técnicas de ajuste de hiperparâmetros para otimizar a precisão da IA em cada ambiente.
Mitigação de enviesamentos
O enviesamento dos dados financeiros pode levar a previsões incorretas. Aplicamos estratégias de balanceamento e calibração para garantir a equidade e representatividade nas recomendações.
Segurança e conformidade normativa
Ao trabalhar com dados sensíveis, COCO foi projetado para operar sob estritos protocolos de segurança e em conformidade com regulamentos como o RGPD, PSD2 e ISO27001.
COCO: um motor de IA em constante evolução
Os trabalhos realizados com bancos em mercados tão diversos como Portugal, Guatemala, Chile, Colômbia, México e Omã foram cruciais para melhorar a nossa tecnologia. Com cada projeto, COCO aprendeu a categorizar transações com maior precisão, gerando insights financeiros relevantes e personalizáveis de acordo com cada contexto cultural e econômico. Graças a este processo iterativo, o nosso modelo é capaz de:
- Interpretar padrões de gasto e categorizar transações com maior precisão em diferentes mercados.
- Adaptar-se aos sistemas bancários e normas financeiras locais sem perder eficiência.
- Processar dados em milissegundos, garantindo análises em tempo real, independentemente da localização.
A nova era da experiência bancária digital
Na Coinscrap, estamos a revolucionar a forma como extraímos conhecimento de dados não estruturados. As nossas Provas de Conceito utilizam técnicas avançadas de transfer learning para detetar padrões complexos em textos sem a necessidade de pré-processamento, aproveitando arquiteturas de redes neuronais de múltiplos níveis.
Este sistema end-to-end opera de forma autónoma, eliminando a intervenção manual e permitindo às instituições financeiras descobrir insights valiosos a partir de dados que antes pareciam caóticos. O que é verdadeiramente inovador é como transformamos o conhecimento obtido dos utilizadores em clusters de informação que alimentam o nosso modelo de deep learning.
Isto permite-nos construir painéis de utilizadores com características muito específicas, além de otimizar a categorização e o enriquecimento dos dados. Assim, não só automatizamos um processo tradicionalmente manual e dispendioso, como também estabelecemos as bases para soluções escaláveis e adaptáveis a diferentes idiomas e contextos.
A nossa aposta num modelo de IA capaz de reutilizar o mesmo algoritmo em vários idiomas –como espanhol, português e inglês– reduz significativamente os tempos de resposta e melhora a eficiência. Este salto tecnológico não só potencia a nossa oferta, mas também abre a porta para atender a clientes de primeira linha, como o Banco Santander.
Em resumo, este projeto é o primeiro passo de um ambicioso investimento em P&D que, a curto e médio prazo, levará à recomendação de produtos personalizados, transformando a forma como os bancos interagem com os seus clientes.
Uma reflexão final: Algoritmos para um banco mais pessoal
A aprendizagem automática e o transfer learning não só impulsionaram a nossa expansão internacional, como também fortaleceram a nossa posição como líderes em inovação fintech. A capacidade de transferir soluções financeiras com rapidez e precisão para diferentes mercados está a redefinir o panorama bancário global, oferecendo serviços mais eficientes e personalizados para utilizadores de qualquer parte do mundo.
Com o COCO a evoluir constantemente, o futuro da inteligência artificial aplicada à banca vai além de uma simples promessa. A nossa tecnologia está a conduzir as entidades financeiras para um sistema de recomendação otimizado que garante o aumento dos lucros, ao mesmo tempo que melhora a satisfação dos clientes com as plataformas digitais.
Sobre o autor
Óscar Barba é cofundador e CTO da Coinscrap Finance. Ele é um especialista Scrum Manager com mais de 6 anos de experiência na coleta e análise semântica de dados no setor financeiro, classificação de transações bancárias, deep learning aplicado em sistemas de análise de sentimento do mercado de ações e medição da pegada de carbono associada aos dados transacionais.
Com vasta experiência no setor bancário e de seguros, Óscar está finalizando seu Doutorado em Tecnologia da Informação Atualmente está concluindo seu doutorado em Tecnologias da Informação no campo da Inteligência Artificial. É Engenheiro e Mestre em Engenharia da Computação pela Universidade de Vigo, Mestre em Comércio Eletrônico pela Universidade de Salamanca, Certificado Scrum Manager e Gerenciamento de Projetos pelo CNTG, Certificado em Arquitetura SOA e Serviços Web pela Universidade de Salamanca. Recentemente obteve a certificação ITIL Fundamentals, um reconhecimento das boas práticas na gestão de serviços de TI.
