UOB e Standard Chartered adotam uma abordagem governada para IA
Para avançar além de dados fragmentados e integrar a inteligência artificial (IA) nas operações bancárias do dia a dia, dois grandes bancos precisaram conciliar inovação com restrições regulatórias. Ambos estão explorando a IA para reduzir ineficiências e extrair valor dos dados, mas sem primeiro abordar questões de governança, escalabilidade e conformidade, isso não seria possível.
Enfrentando silos de dados
A jornada de transformação de dados de um dos bancos começou em 2015 com o lançamento de um programa de arquitetura e governança de dados. Na época, o banco enfrentava desafios como fontes de dados fragmentadas, a ausência de uma estratégia de dados coesa e baixa literacia de dados em toda a organização.
O acúmulo de grandes volumes de dados de diferentes unidades de negócios tornava a análise cruzada difícil e retardava a tomada de decisões. Além disso, o crescimento exponencial dos dados provenientes de transações digitais tornava as plataformas legadas lentas e difíceis de escalar.
Preparando-se para a implementação
Um dos bancos precisava superar duas dificuldades antes de implantar casos de uso de IA generativa: garantir que os dados estivessem prontos para a IA e que pudessem ser ingeridos de forma confiável. Outro desafio era manter acesso a um poder computacional suficiente.
O outro banco também tinha que resolver questões de acessibilidade de dados, qualidade e escalabilidade. Isso incluía navegar por armazenamento de dados fragmentado, qualidade de dados inconsistente e altos custos de infraestrutura.
Transformação dos negócios
Após a parceria com uma plataforma de dados, um dos bancos conseguiu escalar várias iniciativas de IA, incluindo modelos focados na otimização de portfólios e engajamento do cliente. Essas iniciativas foram integradas nas operações do banco, resultando em melhorias na eficiência operacional, especialmente na otimização do transporte de dinheiro.
Os cientistas de dados analisaram dados de transações de caixas eletrônicos e construíram um modelo preditivo para prever as necessidades de dinheiro em cada caixa, resultando em uma redução significativa das viagens de reabastecimento e economias substanciais.
Além disso, os cientistas de dados desenvolveram indicadores comportamentais e modelos de aprendizado de máquina para identificar atividades e transações incomuns, melhorando a eficiência e a precisão na monitorização de riscos.
Conclusão
Com a adoção da plataforma, ambos os bancos conseguiram gerenciar, proteger e analisar dados em ambientes locais e na nuvem através de uma única arquitetura governada. Isso permitiu que construíssem e operacionalizassem casos de uso de IA, mantendo a conformidade com padrões regulatórios rigorosos.
