"No mundo financeiro, a precisão e a fiabilidade das suas respostas aos prompts dependem de algo mais do que a sua capacidade de processamento. É aqui que tecnologias avançadas como machine learning e o processamento de linguagem natural (NLP) desempenham um papel fundamental, ajudando a contextualizar dados complexos e heterogêneos".
Juan José Gómez
CMO da Coinscrap Finance
A inteligência artificial generativa não é infalível. E isso, nas finanças, é um risco.
Como profissional de marketing e apaixonado por tecnologia, não posso negar que a chegada da inteligência artificial generativa representou um antes e um depois na forma como trabalho. Tornou-se um potenciador incrível na criação de conteúdo escrito, tradução, análise de dados, fórmulas de Excel ou escrita de comandos em diferentes linguagens de programação.
Mas –e aqui está o cerne da questão deste artigo–nem sempre o faz bem. E o que é ainda pior, nem sempre temos consciência de que isso está a acontecer.
A razão é, na verdade, bastante complexa e existe uma barreira técnica que escapa ao meu conhecimento, como perfil não técnico. Mas vou tentar explicar os motivos e o que podemos fazer para resolvê-lo, a partir da perspetiva da área de negócios.
O contexto na inteligência artificial generativa: A chave para obter respostas precisas
Vou colocá-lo/a numa situação, interagindo um pouco com o ChatGPT. Escrevemos o seguinte prompt: "Ganho 30.000 euros anuais, que casa posso pagar?"
Aqui está a resposta do ChatGPT: "Com um rendimento anual de 30.000 euros (equivalente a 2.500 euros mensais), aqui vai uma estimativa para saber que casa podes pagar"
Cálculo da prestação mensal de hipoteca com o ChatGPT
Recomenda-se que a prestação mensal de hipoteca não exceda 30% dos teus rendimentos. Então, o cálculo seria o seguinte:
"Você poderia pagar cerca de 750 euros por mês de hipoteca."
Concordarás comigo que a resposta é –mais ou menos– boa… para a informação e o contexto que ele tem nesse momento, claro. Porque, se já estiver a pagar um valor semelhante na hipoteca de outra casa, se estiver a cancelar um crédito que pedi para fazer um mestrado ou se os meus rendimentos não forem estáveis, no caso de assumir esta nova despesa mensal poderia colocar em risco a minha saúde financeira.
Se está interessado/a em saber como a IA toma decisões, o nosso CTO, Óscar Barba, escreve aqui sobre a explicabilidade da IA.
Por que o ChatGPT não me oferece uma resposta melhor?
O ChatGPT e outras inteligências artificiais generativas são muito úteis, mas ao não dispor de um contexto enriquecido, oferecem uma resposta com base nas informações fornecidas e no treino que receberam. Em suma, uma resposta potencialmente imprecisa, já que não têm acesso aos dados necessários para interpretar corretamente toda a minha realidade financeira.
Agora, imaginemos que soubesse exatamente de onde provêm os meus rendimentos e qual a sua recorrência. Ou para onde vão as minhas despesas e quais delas estão em categorias como "Lazer" e "Viagens" O mesmo se aplicaria se eu partilhasse contas com outras pessoas que também tivessem rendimentos.
Toda essa informação seria um verdadeiro contexto curado. Se o ChatGPT tivesse acesso a isso, a sua resposta teria sido de maior qualidade e relevância. Poderia personalizá-la com base na minha situação atual ou até ser capaz de fazer uma projeção para o futuro.
E como fornecer a uma inteligência artificial generativa o contexto necessário para que possa entregar respostas hiperpersonalizadas? Vou falar-te sobre isso a seguir, porque é precisamente o que fazemos na Coinscrap Finance.
O papel do enriquecimento de dados transacionais na criação de contexto curado
Desde o nosso início, em 2016, como uma fintech B2C dedicada ao micro-poupança, começámos a trabalhar com os dados de pagamento dos clientes.
Depressa percebemos que, se fôssemos capazes de estruturar, categorizar e enriquecer os dados transacionais, poderíamos compreender os hábitos financeiros dos utilizadores. E num ambiente cada vez mais digital, onde o uso de dinheiro físico não para de diminuir –pelo menos nesta parte do mundo– isso significava compreender praticamente tudo sobre eles.
Com o passar dos anos, desenvolvemos a tecnologia e criamos o nosso algoritmo COCO, que usa machine learning e processamento de linguagem natural para converter os dados bancários em bruto em informação útil e acionável para a tomada de decisões.
COCO adiciona atributos como categoria, subcategoria, tipo, especialidade, comerciante, geolocalização, recorrência e muito mais, aos milhões de dados transacionais que um banco gera diariamente.
Assim, ajudamos os bancos a construir o contexto necessário para que o seu assistente virtual gerado por IA possa dar respostas precisas e personalizadas a perguntas como: quanto posso pagar por uma hipoteca? Poderei ir de férias de novo este verão? ou
"Que carro posso pagar?"
A IA generativa é uma ferramenta incrível, mas a sua eficácia na indústria financeira depende da criação e manutenção de um contexto curado que dê sentido aos dados em bruto. Numa área onde cada decisão tem um impacto real na nossa saúde financeira, a capacidade de transformar dados desestruturados em informações precisas e úteis não é apenas uma vantagem, é uma necessidade.
Sobre o autor
Juan José Gómez é o CMO da Coinscrap Finance e lidera a equipa de Marketing na definição de estratégias e na implementação de ações de comunicação e branding. Através de uma estreita colaboração com a equipa de vendas, trabalha continuamente na melhoria dos processos de captação de leads e clientes potenciais.
Licenciado em Publicidade e Relações Públicas, possui vários pós-graduados em Marketing Digital, Inbound, Social Media e Análise de Dados. A sua trajetória inclui a criação de projetos para multinacionais, PMEs e startups de diversos setores. Graças à sua experiência no mundo B2B e B2C, é capaz de orientar o crescimento da nossa scaleup a partir de múltiplos ângulos.
