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 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 Gestor Scrum 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.
Doutor em Tecnologias da Informação pela Universidade de Vigo, possui um Mestrado em Engenharia Informática, Mestrado em Comércio Eletrónico pela Universidade de Salamanca, Certificado Scrum Manager e Gestão de Projetos pelo CNTG, Certificado em Arquitetura SOA e Serviços Web pela Universidade de Salamanca. Recentemente obteve a certificação ITIL Fundamentals, um reconhecimento às boas práticas na gestão de serviços de TI.
