Estrategias de IA para empresas de tecnología financiera: cómo hacer que funcionen

Si una empresa fintech con datos de texto no los utiliza para implementar modelos de procesamiento del lenguaje natural (una rama de la inteligencia artificial que enseña a las máquinas a comprender, analizar y generar el lenguaje humano), está perdiendo una oportunidad.

Los modelos de procesamiento del lenguaje natural (NLP) pueden y deben usarse regularmente para evaluar el material textual interno y externo de una empresa para comprender las opiniones de los clientes y de los empleados. También se pueden utilizar para identificar temas o tendencias comerciales importantes para que la empresa los evalúe e incorpore a su estrategia comercial.

Esto es especialmente cierto con el surgimiento de la IA generativa, que hace que las capacidades de procesamiento del lenguaje natural sean más poderosas que nunca.

Ese es el mensaje claro del científico de datos Sumedha Rai en una entrevista con Fintech Nexus, así como en presentaciones en dos conferencias recientes en Nueva York esta primavera: la Cumbre AI in Finance y MLConf 2024, una reunión de expertos en IA y aprendizaje automático. .

Sin embargo, estos son sólo dos de los resultados que las empresas pueden lograr a partir del análisis de texto continuo mediante modelos de PNL.

Rai agrega que estas herramientas de PNL, utilizadas con otras soluciones de aprendizaje automático e inteligencia artificial, también se pueden utilizar para resumir y traducir documentos rápidamente, comprender etiquetas importantes en datos de texto, personalizar las interacciones con los clientes y atrapar a los estafadores mediante la detección de anomalías en sus comunicaciones.

Rai es científica de datos senior en una empresa de microinversión en Nueva York, donde pasa mucho tiempo analizando la opinión y los temas de los usuarios, revisando datos para ayudar con las decisiones de inversión y evaluando modelos de fraude creativos. También realiza investigaciones en el Centro de Ciencia de Datos y otros departamentos afiliados de la Universidad de Nueva York.

Señala que quizás el beneficio más importante que se obtiene al analizar texto regularmente mediante PNL – además de una mayor eficiencia – es que “las personas (empleados) tendrán mucho más tiempo para pensar en los aspectos creativos”, vinculados al desarrollo de productos y a la estrategia comercial, que constituye una cierta ventaja competitiva.

El texto relevante para el análisis o resumen de PNL incluye todo, desde reseñas de clientes, publicaciones, quejas, comentarios de redes sociales, correos electrónicos y resultados de encuestas hasta datos de transacciones, datos internos y de la empresa del sitio web, comunicaciones de empleados, llamadas de quejas, comentarios de agentes, datos regulatorios, de cumplimiento y legales. .

Según Rai, el beneficio de la evaluación trimestral o continua de estos textos a través de PNL es que facilita a las empresas fintech personalizar sus servicios, crear mejores chatbots, detectar fraudes, resumir y traducir mensajes de cumplimiento global y regulatorios, y mejor. comprender los niveles de satisfacción de los empleados.

Un tipo de análisis de texto (el uso de PNL para el modelado de temas) se puede utilizar para rastrear qué temas están en primer plano en la mente de los clientes (incluido lo que les gusta o no de un producto) y es un negocio que, según Rai, puede estar infrautilizado por muchos. empresas fintech.

Utilizando esta técnica, “las empresas fintech deberían tener en cuenta todos sus problemas y desafíos y ver cuántas señales han recibido sobre estos problemas en forma de texto. Luego deberían aprovechar el análisis de datos de texto mediante PNL para ayudar a resolver muchos de estos problemas”, afirma Rai.

Los modelos de PNL que pueden ayudar con este ejercicio incluyen el Análisis Semántico Latente (LSA), la Asignación Latente de Dirichlet (LDA), LDA2vec y BERTopic y sus diversas variantes, aunque, para las empresas fintech en particular, utilice FinBERT, un modelo transformador específicamente entrenado previamente. sobre textos financieros, también es una excelente opción.

Sin embargo, entre estas opciones de modelos, Rai favorece particularmente los modelos BERT porque son bidireccionales en su diseño y capturan el contexto basándose en esta bidireccionalidad.

“Ellos (los modelos BERT) también tienen incrustaciones contextuales, que permiten a los modelos comprender una palabra considerando todas las demás palabras que la rodean y tener en cuenta el contexto de cada aparición de una palabra determinada”, explica Rai.

Y añade: “Además, ahora tenemos acceso a potentes modelos de incrustación de palabras GenAI, algunos de los cuales se pueden descargar gratis. Sin embargo, BERT es una excelente opción para establecer una base cuando se trabaja con LLM, especialmente cuando se trabaja con textos financieros. »

Rai también destacó la importancia de hacer pleno uso del reconocimiento de entidades nombradas (NER), un subcampo de la PNL que se ocupa del marcado de texto para que las entidades nombradas (palabras individuales, frases o secuencias de palabras) puedan clasificarse fácilmente.

“NER es una tecnología central que está muy infrautilizada pero, de hecho, se puede utilizar de múltiples maneras para comprender mejor qué entidades les interesan más a los clientes, lo que le permite adaptar mejor sus comunicaciones con ellos”, explica Rai.

Señala que el análisis NER nos permite extraer toda la información crítica de un gran volumen de texto mucho más rápidamente y puede usarse para señalar interacciones riesgosas o anomalías que podrían indicar un posible fraude. De esta manera, juega un papel vital en el análisis continuo de sentimientos y la clasificación de textos.

Según Rai, una característica particularmente útil es la capacidad de NER de ayudar a “evaluar los documentos de cumplimiento muy rápidamente”, de modo que se pueda extraer rápidamente información clave de documentos largos y revisarlos más tarde de manera eficiente.

Con la introducción de modelos generativos de IA, afirma Rai, las empresas de tecnología financiera ahora tienen acceso a una potente herramienta de análisis de texto que requiere una codificación mínima, cuando utilizan directamente la solución lista para usar. Sin embargo, la contrapartida puede residir en el nivel de precisión que se puede perder utilizando modelos de IA generativos disponibles en el mercado frente a ajustar un modelo para tareas específicas.

“Los modelos de IA generativa están previamente entrenados y, por lo tanto, para un análisis de texto simple, un modelo previamente entrenado a menudo puede ser la solución”, explica Rai, y agrega que con múltiples modelos de IA generativa para elegir, prioriza la facilidad de uso de Chat GPT. que continúa mejorando en precisión y también tiene API de fácil acceso para integrar modelos GPT en el código.

También considera que los modelos LLAMA de Meta (LLAMA 3 en particular) son poderosos, útiles y de uso gratuito.

Sin embargo, Rai advierte que las empresas de tecnología financiera deben tener en cuenta que existen riesgos asociados con el uso de modelos de IA generativa disponibles en el mercado.

“No se deben transmitir datos sensibles o de clientes a estos modelos. Estos son sistemas alojados y los datos salen de sus máquinas locales y se envían a un servidor donde reside el modelo”, explica Rai, señalando que los datos de las interacciones pueden ser analizados por las empresas que crean los LLM para mejorar el rendimiento y confiabilidad de sus sistemas.

“Incluso si está utilizando la versión empresarial de estos modelos, me aseguraría de que sus datos hayan sido eliminados de toda la información de identificación personal (PII) antes de introducirlos en un modelo o utilizarlos para consultar el modelo”, dice Rai.

Evaluar los modelos en busca de prejuicios, discriminación, seguridad de los datos, privacidad de los datos, alucinaciones y creación de contenido respetuoso también es clave, dice Rai, y comienza observando el tipo de datos que estás ingiriendo en el modelo, asegurándote de que todas las clases, géneros y geografías están representados y también emplean un equipo diverso de personas para trabajar en los modelos en lugar de una sola persona.

Rai dice que cada vez más, algunas empresas de tecnología financiera están contratando equipos externos a su empresa para realizar una evaluación exhaustiva y garantizar que los modelos de trabajo de una empresa hayan sido “desescalados”. No generan resultados sesgados que puedan dar lugar a prácticas discriminatorias.

Rai apreció especialmente el ahorro de tiempo que ofreció One Gen AI: hacer que Chat GPT creara un logotipo, un eslogan y un comunicado de prensa de lanzamiento para una fantástica empresa de tecnología financiera.

“Los resultados han sido impresionantes”, dijo Rai, señalando que Chat GPT continúa mejorando e impresionando.