Los flujos de trabajo GenAI y agentic desbloquearán nuevos casos de uso; los bancos y las empresas comerciales se están moviendo rápidamente para asegurarse de estar preparados
Cuando se trata de IA en servicios financieros, podemos dividir las cosas en dos generaciones:
- El presente (IA clásica)
- El futuro (IA generativa y agente)
Hoy en día, la IA clásica se utiliza ampliamente en toda la industria. De hecho, los bancos la llevan utilizando desde hace décadas. En sus inicios, la denominaban con distintos nombres, como “aprendizaje automático” y “análisis de negocios”. Con el paso de los años, se han vuelto muy buenos en el uso de modelos predictivos para casos de uso como la detección de fraudes y la modelización de riesgos.
A medida que se implemente la próxima generación de GPU, la IA clásica evolucionará rápidamente y los modelos podrán procesar conjuntos de datos mucho más grandes con mayor rapidez. Esto significa que los bancos podrán realizar simulaciones de Monte Carlo, habituales en los modelos predictivos, a mayor escala para proporcionar una imagen más clara y rápida del riesgo.
La próxima generación de IA en los servicios financieros implicará modelos de lenguaje extensos (LLM) y flujos de trabajo de IA con agentes . En algunos casos, esto significa que las empresas harán evolucionar sus productos y servicios para que sean mejores y más rápidos, con el objetivo de mejorar la satisfacción del cliente y aumentar los ingresos y la rentabilidad. Incorporar los LLM en el lado del banco que se relaciona con el cliente es inevitable y una de las posibilidades más interesantes para la IA.
Tres casos de uso emergentes de IA para la industria de servicios financieros
Además de hacer evolucionar los casos de uso existentes, la tecnología avanzada de IA permitirá la aparición de casos de uso totalmente nuevos. No se trata de si las empresas adoptarán estos casos de uso; es solo una cuestión de cuándo y cómo lo harán. Echemos un vistazo rápido a algunos de estos casos de uso y a lo que las empresas deben hacer para prepararse.
Comercio algorítmico
Las empresas de operaciones de alta frecuencia (HFT, por sus siglas en inglés) pueden complementar sus procesos existentes con modelos de IA que las ayuden a adelantarse a las tendencias del mercado. Esto podría incluir la combinación de datos financieros tradicionales con datos de fuentes alternativas. Por ejemplo, los datos extraídos de las redes sociales podrían brindar información sobre las tendencias de los consumidores antes de que esas tendencias comiencen a aparecer en el mercado. De este modo, las empresas de HFT pueden colocarse en una mejor posición para ejecutar operaciones rápidamente y aprovechar las oportunidades en el mismo momento en que aparecen.
Compromiso del cliente
Con la IA generativa, los bancos pueden ofrecer una interfaz humana que permita un servicio al cliente mejor y más personalizado. Esto podría incluir la recopilación de información sobre un cliente en particular y luego sugerir una planificación financiera personalizada para ese cliente. Los chatbots también podrían mejorar la experiencia del usuario al ayudar a los clientes a recopilar rápidamente la información que necesitan para tomar decisiones informadas.
Eficiencia operativa
Un viejo dicho empresarial dice que todo lo que se pueda automatizar, se automatizará. El sector de los servicios financieros no es una excepción a esta regla. Los bancos todavía realizan muchos procesos manuales en la actualidad. Automatizarlos podría ayudar a impulsar una mayor eficiencia y satisfacción del cliente.
En este caso, la IA basada en agentes puede resultar especialmente útil. Diferentes agentes de IA pueden realizar tareas individuales para lograr un objetivo común. Por ejemplo, si el objetivo es responder rápidamente a las solicitudes de préstamos, un agente puede tomar datos de las solicitudes, mientras que otro realiza controles de cumplimiento y un tercero ayuda a sugerir la tasa del préstamo.
¿Qué impide que las empresas adopten una IA avanzada?
En cierto modo, identificar casos de uso es la parte fácil. De hecho, la mayoría de las empresas ya están probando estos casos de uso internamente. Sin embargo, existe una gran diferencia entre probar modelos de IA y llevarlos a producción.
Por un lado, las empresas deben tener plena confianza en la precisión de sus modelos, y eso por sí solo ya es una tarea difícil. Además, el sector está muy regulado, lo que significa que los modelos deben ser precisos y cumplir con las normas. Incluso si una empresa crea un modelo que cumple con ambos criterios, aún necesitaría implementar ese modelo en sus flujos de trabajo comerciales, lo que no es tan sencillo como pulsar un interruptor.
Pensemos en los bancos que planean utilizar chatbots en sus procesos de aprobación de préstamos. En primer lugar, deben articular claramente el valor comercial que esperan obtener al hacerlo; no puede ser solo una cuestión de creerse la propaganda. Luego, necesitan transparencia sobre por qué sus chatbots arrojan los resultados que arrojan. Esto incluye asegurarse de que no haya sesgos ocultos que afecten los resultados. Por último, deberán cambiar la forma en que prestan dinero para incorporar los nuevos procesos automatizados, lo que podría implicar reestructurar por completo una operación global masiva.
Es fácil entender por qué las empresas están adoptando un enfoque cauteloso y mesurado en relación con los casos de uso avanzado de la IA. Esta transformación tardará años en concretarse por completo.
Cómo los bancos y las empresas comerciales pueden empezar a prepararse para la IA
A pesar de los desafíos que se avecinan, hay medidas que las empresas pueden adoptar hoy para asegurarse de estar preparadas para implementar casos de uso avanzados de IA cuando llegue el momento. Como todo lo demás en IA, todo se reduce a los datos. Las empresas necesitan saber que tienen los datos correctos de las fuentes correctas en el momento correcto. Quizás lo más importante es que su estrategia de datos de IA a prueba de futuro debe definir dónde se almacenarán los datos. Es esencial hacerlo bien hoy, porque en el futuro, los modelos de IA de producción deberán implementarse cerca de los datos.
En la actualidad, la mayoría de las empresas financieras utilizan entornos de nube pública para alojar sus pruebas de IA. En su momento, esta pudo haber parecido la opción lógica: la nube era una forma rápida y cómoda de acceder a los recursos que necesitaban para sus modelos de IA. Sin embargo, cuando llega el momento de pasar de las pruebas a la producción, la nube pública puede dejar de ser la mejor opción.
Por otro lado, construir una IA de producción en sus propios centros de datos puede que tampoco sea la solución. Los centros de datos propios y operados por muchas empresas tienen limitaciones en cuanto a disponibilidad de espacio y energía, algo que las GPU, que consumen mucha energía, pueden poner a prueba. Construir dentro de centros de datos locales también encierra a las empresas en una determinada forma de hacer las cosas. Cuando inevitablemente surja la necesidad de mover modelos y datos, hacerlo será difícil y costoso.
Las empresas deberán implementar su IA de producción cerca de todas sus fuentes de datos, incluidos sus mainframes, sus datos comerciales y sus datos de pagos y fraudes. Esta necesidad de proximidad determinará muchas de las decisiones sobre dónde deben residir los datos. A medida que colocan sus conjuntos de datos actuales, las empresas deben considerar los requisitos de espacio y energía de cualquier GPU de IA que puedan implementar en el futuro.
Está claro que la nube pública y los centros de datos locales no son apropiados para todos los escenarios. Entonces, ¿qué opción les queda a las empresas financieras que buscan prepararse para la IA? Implementar dentro de un centro de datos de coubicación de alto rendimiento podría ser la respuesta.
La coubicación en Equinix permite una estrategia de datos preparada para IA
Los principales proveedores de servicios de colocación, como Equinix, siempre invierten en tecnología preparada para la IA, incluido el hardware de GPU y las capacidades de refrigeración avanzadas necesarias para mantenerlos en funcionamiento. Además, Equinix es el líder mundial en rampas de acceso a la nube. Al implementar cerca de las nubes de su elección, nuestros clientes pueden integrar servicios en la nube en su estrategia de IA, sin tener que renunciar al control sobre sus datos.
La coubicación en Equinix también puede simplificar el proceso de implementación de una estrategia de IA privada . La IA privada es cuando una empresa desarrolla sus propios modelos, utiliza datos patentados para el entrenamiento y la inferencia, y aloja todo en una infraestructura dedicada. Esto contrasta con las estrategias que incorporan LLM públicos, entrenados con datos de fuentes disponibles públicamente y alojados en entornos multiusuario.
Con la coubicación en Equinix, puede garantizar la proximidad entre los modelos y los datos, los centros de datos locales y sus nubes públicas. Esto garantiza la baja latencia necesaria para los casos de uso avanzados. También puede mantener sus datos donde deben estar para cumplir con los requisitos de soberanía.
A medida que las empresas financieras comienzan a trasladar las cargas de trabajo de IA de las pruebas a la producción, el control que ofrece la IA privada será más importante que nunca. Obtenga más información sobre Equinix Private AI con NVIDIA DGX , nuestra plataforma de desarrollo de IA lista para usar y lista para usar, y cómo puede ser especialmente útil en industrias altamente reguladas como los servicios financieros. Equinix Blog. A. M. Traducido al español
Contacto