UOB y Standard Chartered adoptan un enfoque regulado para la IA
Para avanzar más allá de los sistemas de datos fragmentados e incorporar la inteligencia artificial (IA) en las operaciones bancarias diarias, varios bancos han tenido que conciliar la innovación con las restricciones regulatorias. Ambos bancos están persiguiendo la IA para reducir ineficiencias y extraer valor de los datos, pero ninguno podría hacerlo sin abordar primero los requisitos de gobernanza, escalabilidad y cumplimiento.
Superando los silos de datos
El viaje de transformación de datos de uno de los bancos comenzó en 2015 con el lanzamiento de un programa de arquitectura y gobernanza de datos. En ese momento, enfrentaban varios desafíos, incluida la fragmentación de las fuentes de datos y la ausencia de una estrategia coherente. La acumulación de grandes volúmenes de datos a través de diferentes unidades de negocio dificultaba el análisis cruzado y ralentizaba la toma de decisiones.
La escalabilidad también fue un desafío para el banco. Con el crecimiento exponencial de datos provenientes de transacciones digitales, las plataformas heredadas se volvieron lentas y costosas, dificultando su escalado. Las estructuras de datos rígidas obstaculizaban la innovación, lo que limitaba la adopción de tecnologías avanzadas como la IA.
Preparándose para implementar IA
Desde el principio, el banco necesitaba superar dos dificultades antes de desplegar sus casos de uso de IA generativa: asegurar que los datos listos para IA estuvieran disponibles y pudieran ser ingeridos de manera confiable, y mantener acceso a suficiente capacidad de cómputo.
Se trabajó para abordar estos desafíos y permitir que los equipos internos de IA operaran de manera más efectiva, facilitando la experimentación y la validación de soluciones en entornos controlados.
Transformación empresarial
Tras establecer una colaboración, se han escalado varias iniciativas de IA en producción. Estas incluyen modelos de IA enfocados en la optimización de portafolios y la interacción con los clientes, que ahora están integrados en las operaciones del banco y se utilizan para generar información en tiempo real.
Se reportaron mejoras en la eficiencia operativa, específicamente en la optimización del transporte de efectivo. Anteriormente, la reposición de cajeros automáticos dependía de pronósticos manuales, lo que resultaba en programaciones ineficientes y costos operativos más altos. Se desarrolló un modelo predictivo para pronosticar las necesidades de efectivo en cada cajero automático, logrando una reducción significativa en los viajes de reposición y ahorros anuales considerables.
En la gestión de riesgos, se desarrollaron indicadores de comportamiento y modelos de aprendizaje automático para identificar actividades y transacciones inusuales, mejorando la eficiencia y precisión en el monitoreo de riesgos mientras se refuerzan los requisitos de cumplimiento.
Mirando hacia el futuro
Ambos bancos ahora pueden gestionar, asegurar y analizar datos a través de entornos locales y en la nube mediante una única arquitectura gobernada, lo que les permite construir y operacionalizar casos de uso de IA manteniendo el cumplimiento de estrictos estándares regulatorios.
