Ahora que el sector financiero mira más allá de la pandemia y reflexiona sobre su impacto, necesita actuar ahora para remodelarse de cara al futuro. Las organizaciones financieras son resistentes y adaptables, pero muchas comparten la necesidad de transformar sus modelos de negocio para hacer frente a los cambios fundamentales de la sociedad y la economía. Incluso antes de COVID-19, los bancos y los proveedores financieros se estaban adaptando a los rápidos cambios en el comportamiento y las necesidades de los clientes. Ahora la pregunta es ¿Cómo deben prepararse las instituciones financieras para la nueva normalidad?
Hay que tener en cuenta tres factores:
Muchas instituciones financieras han iniciado sus propias variantes de la transformación digital y están en el camino de orientarse más hacia los datos. Sin embargo, el uso de la inteligencia artificial (IA) a escala está todavía en las primeras etapas para muchos. Las que utilizan la IA se han centrado en el análisis predictivo, que funciona con modelos y algoritmos relativamente sencillos. Las instituciones financieras deben centrarse ahora en la diferenciación a través de la innovación y la optimización de las operaciones.
La adopción de la inteligencia artificial (IA) está creciendo rápidamente. Según Gartner, el número de empresas que adoptaron la IA ha crecido un 270% en los últimos cuatro años (2019) y se prevé que para 2027 el mercado global de IA tenga un valor de 267.000 millones de dólares.
Sin embargo, en la actualidad la gran mayoría de los modelos de IA existentes nunca llegan a su fase de producción. Los algoritmos cuidadosamente elaborados se quedan en su fase inicial de prueba, sin ser producidos a gran escala. ¿Cómo pueden entonces los bancos comenzar a hacer un mejor uso de estos modelos y que ello tenga un impacto positivo en sus negocios?: La respuesta es a través de la industrialización de la IA. La industrialización es el proceso que permite expandir una tecnología de forma que una empresa pueda beneficiarse de ella a gran escala.
Existen tres métodos clave para la industrialización de la IA en una organización:
La IA será tan buena como lo sean los datos en los que se basa. Por ello, si una organización quiere industrializar su IA, debe comenzar por fijarse en sus datos. La mayoría de las organizaciones tienen datos aislados, lo que impide su uso para modelos de IA a gran escala. Si los equipos que construyen modelos de IA sólo tienen acceso a conjuntos de datos limitados y aislados, producirán a su vez modelos de uso limitado.
Un paso clave para permitir la industrialización de la IA es mejorar el intercambio de datos. Una vez que se hayan compartido y centralizado los datos, se tendrá una mejor base para construir sobre ella soluciones basadas en IA. Con conjuntos datos amplios y de buena calidad, se pueden crear bloques de construcción de IA robustos y estandarizados que luego se puedan replicar en toda la organización.
La innovación necesita nutrirse de una gran variedad de fuentes. Cuantos más grupos trabajen juntos, mejores serán los resultados.
Para que la industrialización de la IA tenga éxito, se necesita variedad en las aportaciones y la cooperación global entre los distintos equipos. Sin esta cooperación, será difícil construir modelos que puedan utilizarse en distintas partes de una misma organización. También debe fomentarse la experimentación para extraer lo mejor del propio talento de la empresa.
A fin de cuentas, adquirir y retener profesionales capacitados en IA puede ser difícil. En 2020, una encuesta del Foro Económico Mundial sobre instituciones financieras descubrió que el 84% de las organizaciones veían el acceso al talento como un obstáculo para la implementación de la IA. Por lo tanto, es imperativo aprovechar al máximo el talento, potenciarlo y alimentarlo.
Sólo es posible aplicar la IA a escala industrial si las empresas están preparadas para integrar las soluciones basadas en IA en sus marcos operativos. Uno de los mayores obstáculos para ampliar el uso de la IA es la falta de flexibilidad. Esto es un problema que ocurre especialmente en el sector bancario, donde los sistemas se construyen para la estabilidad y la seguridad y todavía hay mucha tecnología heredada. Esto puede dificultar la integración en el software de las soluciones basadas en la IA.
Para superar esta barrera, las organizaciones deben tener clara la estrategia de IA. Deben identificar qué partes de sus operaciones actuales deben cambiar para permitir la adopción generalizada de la nueva tecnología. También deben establecer procesos estandarizados para la creación, prueba y despliegue de nuevos modelos de IA. De este modo, será mucho más fácil repetir y ampliar los nuevos modelos a medida que se vayan creando.
Además de definir estos procesos, las organizaciones deben estar preparadas para hacer el mejor uso de los conocimientos basados en datos que proporciona la IA. Está muy bien escalar un modelo, pero ¿cómo asegurarse de que se aproveche una vez que se utiliza ampliamente en toda la organización?
EL APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING ML)
El aprendizaje automático, un subconjunto de la inteligencia artificial, se compone de muchas tecnologías para encontrar patrones en los datos y construir algoritmos matemáticos en torno a ellos. Los algoritmos de aprendizaje automático pueden aprender y mejorar, tomando mejores decisiones a lo largo del tiempo y obteniendo conocimientos más profundos. El ML puede utilizarse para hacer predicciones automatizadas o generar recomendaciones con fines comerciales basadas en los datos.
Al desarrollar modelos de ML, el proceso consta de dos partes: la metodología de desarrollo y los ciclos de vida del modelo.
CICLOS DE VIDA DEL MODELO
El ciclo de vida del modelo -que crea los modelos utilizados en el ML- se divide en el ciclo de vida de formación y el ciclo de vida de explotación.
El ciclo de vida de formación está vinculado al desarrollo de los modelos de ML, y la metodología más comúnmente utilizada es CRISP-DM (el Proceso Estándar de CRoss-Industry para la Minería de Datos). Se trata de una metodología estándar basada en seis pasos iterativos:
1 . Comprensión del negocio
2 . Comprensión de los datos
3 . Preparación de los datos
4 . Modelado
5 . Evaluación
6 . Despliegue
Las recompensas que genera la industrialización de IA en el sector bancario
Los beneficios de industrializar el desarrollo y el despliegue de los modelos de IA son tangibles. Por las mismas razones por las que las organizaciones están trabajando en proyectos de transformación digital, esas mismas organizaciones deben considerar la industrialización de la IA. Si no se avanza con los tiempos, se corre el riesgo de tener competidores más ágiles y rápidos.
El uso de la IA puede suponer una gran mejora de la eficiencia. Se calcula que el ahorro potencial agregado de costes para los bancos gracias a las aplicaciones de IA será de 447.000 millones de dólares en 2023, según un informe de Business Insider Intelligence. La reducción de costes es sólo una de las ventajas de escalar la IA. Los modelos de IA adecuados, utilizados a escala, pueden mejorar los productos y servicios existentes o crear nuevos servicios que antes no existían. La IA puede estar a la vanguardia de la generación de ingresos y mejorar la experiencia del consumidor.
Algunas de estas aplicaciones de la IA ya están dando sus frutos. El uso de chatbots es especialmente popular. El Bank of America, por ejemplo, utiliza un chatbot llamado Erica para ayudar a los clientes a tomar decisiones más inteligentes sobre su dinero. En 2019, Erica superó los 10 millones de usuarios y sigue creciendo a buen ritmo.
Está claro que el potencial de la IA en el sector financiero es enorme. Pero para empezar a cosechar los frutos, tenemos que asegurarnos de que los modelos de IA van a poder progresar más allá de las primeras etapas de su desarrollo. La forma de hacerlo es mediante la industrialización de la IA.
CONCLUSIONES
En una empresa impulsada por los datos, la generación de valor a partir de los mismos constituye la base de la toma de decisiones. La Inteligencia Artificial es una palanca fundamental para aumentar el valor, creando una diferenciación respecto a los competidores, y aumentando los ingresos y los márgenes.
Por ello, el uso de un marco de gobernanza adecuado para la IA puede mejorar la implantación de esta tecnología en una empresa.
Este marco de gobernanza de la IA debe estar alineado con la estrategia y las políticas del negocio. Además, contar con un adecuado ciclo de vida del Machine Learning permite entender mejor los principales pasos que se deben realizar para obtener información útil para la empresa.
Los conocimientos generados pueden utilizarse entonces para guiar la toma de decisiones de la empresa, garantizando que las decisiones se basen en hechos y no en conjeturas, y preparando a las organizaciones para el éxito futuro.
Puede consultar más información aquí para acceder de forma gratuita al libro blanco GUÍA PARA LA GESTIÓN DE LA AI EN LA INDUSTRIA FINANCIERA. Un documento que presenta los fundamentos sobre cómo las instituciones financieras deben centrarse cada vez más en la diferenciación a través de la innovación y la optimización de sus operaciones.
