IA en el sector bancario

En la nueva era de la inteligencia artificial y el machine learning (aprendizaje automático) en el sector bancario, sin dudas veremos mejoras en el servicio de atención al cliente y la eficiencia operativa. Los servicios de consultoría y de atención al cliente que funcionan con inteligencia artificial se volverán más sofisticados y podrán resolver situaciones de mayor complejidad.

Desde el punto de vista operativo, este tipo de inteligencia optimizará la detección de actividades criminales para mejorar la prevención de delitos financieros y creará modelos más avanzados a fin de optimizar la toma de decisiones sobre préstamos. Además, automatizará aún más tareas de rutina, como la entrada de datos, para agilizar los procesos de gestión interna.

Descubre los recursos de Red Hat para el sector bancario

Sin embargo, la tarea de ajustar la implementación de la inteligencia artificial en el sector bancario presenta varios obstáculos relacionados con los productos, los datos, el cumplimiento normativo, las operaciones y la contratación y capacitación del personal.

En este artículo, abordaremos el posible futuro del sector bancario impulsado por la inteligencia artificial y el machine learning, los desafíos del proceso y las funciones esenciales para afrontarlos.

La inteligencia artificial en la empresa

La inteligencia artificial podría cambiar por completo el funcionamiento de los bancos. A continuación, presentamos las cuatro áreas fundamentales del sector bancario y los efectos que podrían tener sobre ellas las tecnologías de inteligencia artificial actuales y en desarrollo.

La inteligencia artificial en los servicios de marketing y las ventas

• Captación de clientes: La captación de clientes se puede impulsar a través de una segmentación más efectiva y análisis predictivos, lo que permite identificar a los clientes potenciales con mayor eficiencia.
• Integración de los clientes: En los casos más difíciles, el proceso de integración para los consumidores, las empresas y las corporaciones podría automatizarse por completo, lo que agilizaría y simplificaría el proceso para los nuevos clientes bancarios.
• Fidelización de los clientes: La lealtad de los clientes podría optimizarse con productos y servicios más personalizados, lo que generaría un aumento de la satisfacción y la conservación de los clientes.

La inteligencia artificial en las operaciones y la prestación de servicios

• Asesoramiento: El asesoramiento financiero podría ser más inteligente y adaptarse a los cambios en las condiciones del sector.
• Procesamiento: Se podría agilizar la gestión de las excepciones en el sector bancario, lo cual reduciría los tiempos de espera y mejoraría la eficiencia operativa.
• Soporte: Los asistentes con inteligencia artificial podían gestionar las consultas y los problemas más complejos de los clientes de manera eficiente y eficaz.

Obtén más información sobre el uso de la inteligencia artificial

La inteligencia artificial en los riesgos y su evaluación

• Creación de modelos: Durante el análisis de grandes conjuntos de datos, se podrían crear modelos más sólidos y dinámicos para predecir los riesgos financieros con mayor precisión y, así, reducir su impacto.
• Cobro de deudas: Se podrían optimizar las estrategias de cobro de deudas mediante mejoras en el análisis y la identificación del enfoque que resulte más efectivo para garantizar el pago del dinero.
• Prevención de delitos financieros: La inteligencia artificial podría detectar mejor los delitos financieros utilizando el reconocimiento de patrones para identificar las transacciones sospechosas y reducir los falsos positivos.

La inteligencia artificial en el sector financiero y la contabilidad

• Creación de informes: Se podría optimizar este proceso mediante la automatización de la recopilación y el análisis de datos, ya que permitiría que los informes sean más precisos y oportunos. Además, como los agentes de inteligencia artificial se ocuparían de esta tarea, menos personas tendrían acceso a los datos confidenciales.

La adaptación a la tecnología de inteligencia artificial implica no solo llevar a cabo ajustes técnicos, sino también transformar las expectativas de los clientes y las prácticas empresariales. Es importante que los bancos reconozcan los desafíos que pueden surgir a la hora de integrar esta tecnología a más sectores y que estén preparados para superarlos.

Producto

• Adopción por parte de los clientes: Puede ser todo un desafío convencer a los clientes de que utilicen servicios bancarios basados en la inteligencia artificial. Es posible que algunos no quieran confiar sus necesidades a una tecnología, por lo cual es fundamental que el proceso sea transparente y pueda explicarse claramente.

Datos

• Calidad: En el sector bancario, es fundamental que los datos que se procesan con inteligencia artificial sean de excelente calidad. Los bancos suelen enfrentar distintos desafíos a la hora de desarrollar modelos de inteligencia artificial efectivos, ya que sus datos pueden encontrarse dispersos, estar incompletos o ser de baja calidad.
• Sistemas heredados: Muchos bancos operan con sistemas heredados que no se adaptan a las tecnologías modernas con facilidad, de manera que integrar la inteligencia artificial a estos sistemas puede resultar complejo y costoso, además de requerir mucho tiempo.

Cumplimiento normativo

• Explicabilidad: Debido a la complejidad de los algoritmos de inteligencia artificial que utilizan el deep learning (aprendizaje profundo), puede resultar difícil saber cómo se tomó una decisión, un aspecto que interesa a los reguladores cuando se requiere transparencia.
• Privacidad: Las instituciones bancarias manejan datos confidenciales de los clientes, así que los sistemas de inteligencia artificial deben garantizar su privacidad y seguridad. En este aspecto, se debe evitar el envenenamiento de los datos, que es una constante preocupación del sector financiero.
• Uso responsable: El uso de la inteligencia artificial en áreas como la creación de perfiles de clientes y la toma de decisiones sobre préstamos puede originar problemas relacionados con la imparcialidad, la discriminación y la privacidad. Es fundamental abordarlos para que la adopción sea exitosa.

Infraestructura y operaciones

• Capacidad de ajuste: Expandir la adopción de la inteligencia artificial a todos los sectores de una empresa bancaria, incluidas las aplicaciones empresariales y las operaciones, es un gran desafío, en especial cuando los cambios son cada vez más frecuentes.
• Costo: La inversión inicial en inteligencia artificial y sus costos de mantenimiento pueden ser altos, lo cual genera cierta resistencia al momento de adoptarla cuando no hay pruebas claras de que habrá un buen retorno sobre la inversión (ROI).

Personal

• Contratación de personal: Los bancos carecen de especialistas en inteligencia artificial que tengan habilidades tanto en el análisis de datos como en los negocios bancarios.
• Adopción por parte del personal: La resistencia a incorporar la inteligencia artificial en las empresas bancarias puede deberse al temor a la pérdida de empleos, a la inseguridad laboral o al desconocimiento respecto de las ventajas que ofrece.

La implementación exitosa de las cargas de trabajo de esta tecnología a gran escala depende de la eficiencia y la eficacia con las que trabajen en conjunto los elementos. Específicamente, los servidores de inferencia compatibles con los modelos de inteligencia artificial de mayor tamaño (como los LLM) y sus funciones de inferencia más complejas son esenciales para ampliar las cargas de trabajo de inteligencia artificial en la empresa.

Estas herramientas utilizan los recursos de manera más eficiente para expandir la inteligencia artificial más rápido: 

• llm-d: Las peticiones de los LLM pueden ser complejas y dispares. Por lo general, requieren muchos recursos informáticos y almacenamiento para procesar grandes cantidades de datos. Un marco de inteligencia artificial open source como llm-d permite que los desarrolladores utilicen técnicas como la inferencia distribuida para satisfacer las crecientes exigencias de los modelos de razonamiento más grandes y sofisticados, como los LLM.
• Inferencia distribuida: La inferencia distribuida permite que los modelos de inteligencia artificial procesen las cargas de trabajo de manera más eficiente al dividir la tarea de inferencia entre un grupo de dispositivos interconectados. Se puede interpretar como el equivalente en software del dicho "dos cabezas piensan más que una".  
• vLLM: El modelo virtual de lenguaje de gran tamaño (vLLM) es una biblioteca de código open source que gestiona su propia comunidad. Permite que los modelos de lenguaje de gran tamaño (LLM) realicen cálculos a gran escala de manera más eficiente.

Descubre la manera en que Red Hat AI incorpora estas herramientas y sus funciones para que los clientes utilicen la inteligencia artificial a gran escala.

Descubre Red Hat AI

Algunas funciones son esenciales para que los bancos utilicen la inteligencia artificial de manera eficaz.

Estas funciones abarcan desde aspectos técnicos, como el entrenamiento y la gestión de los datos, hasta factores empresariales, como el control y la contratación de personal. En esta sección, se analizan en detalle las funciones más importantes y se definen las condiciones necesarias para que los bancos implementen con éxito las tecnologías de inteligencia artificial y aprovechen sus beneficios. Su comprensión y desarrollo repercuten considerablemente en la efectividad de la expansión de la inteligencia artificial a todas las áreas del banco.

Entrenamiento y perfeccionamiento

Para aplicar la inteligencia artificial en el sector bancario de manera efectiva, es necesario contar con modelos base sólidos y poder desarrollar otros nuevos. Se precisa de un repositorio de modelos base al que se pueda acceder para realizar modificaciones cuando sea necesario. Además, el entorno operativo en el que se entrenan estos modelos debe poder prepararse fácilmente y estar disponible en todo momento, de manera que la empresa pueda entrenar y perfeccionar los modelos de inteligencia artificial de forma eficiente y seguir el ritmo de los cambios en las condiciones del mercado y los datos.

Esta agilidad es fundamental para que los bancos sigan siendo competitivos y puedan responder a los entornos normativos y las necesidades de los clientes en constante evolución.

Datos

En el sector bancario, es fundamental contar con mecanismos eficaces para acceder a los datos, limpiarlos y almacenarlos. El almacén de datos debe contar con un acceso directo y la configuración de permisos adecuada para mantener la privacidad y la seguridad de los datos. Además, es importante poder acceder a datos limpios de alta calidad para que los modelos que se entrenen sean precisos y confiables.

Siempre ha sido complejo poner los datos a disposición de los analistas. Para poder satisfacer las diferentes necesidades de análisis, los bancos tienen que encontrar un equilibrio entre las funciones tradicionales de los almacenes de datos y la flexibilidad de los lagos de datos. Este enfoque doble permite analizar tanto datos estructurados como no estructurados, lo cual resulta fundamental para que las aplicaciones de inteligencia artificial sean completas.

Control

En cuanto al control de la inteligencia artificial en el sector bancario, ocuparse de la gestión de datos es esencial, así como establecer un linaje de modelos y fuentes de datos que sea claro. Esto incluye garantizar la transparencia con respecto a la forma en la que se recopilan y usan los datos para entrenar los modelos de inteligencia artificial. Además, es importante documentar los datos de los modelos para garantizar la imparcialidad, la explicabilidad y el cumplimiento normativo, en especial por los requisitos del sector bancario.

Otra función importante es la supervisión de los sesgos y desajustes de los modelos, la cual forma parte de la gestión de riesgos. Los bancos deben evaluar y ajustar permanentemente los modelos de inteligencia artificial para evitar sesgos e imprecisiones. También es necesario realizar auditorías y brindar informes a las entidades reguladoras periódicamente para mantener el cumplimiento normativo y la transparencia en el uso de la inteligencia artificial.

Operaciones

La incorporación de las operaciones de machine learning (MLOps) es fundamental para el aspecto operativo de la inteligencia artificial en el sector bancario. Estas operaciones comprenden la gestión y la mejora constante de los modelos de inteligencia artificial para que mantengan la efectividad y la precisión a lo largo del tiempo. Esto incluye implementar, supervisar y mantener los modelos de inteligencia artificial de forma flexible y eficiente.

MLOps involucra a diferentes equipos, desde analistas de datos hasta especialistas de TI, que trabajan de manera colaborativa en el desarrollo de la inteligencia artificial. Esto confirma que los modelos de inteligencia artificial no solo son sólidos desde el punto de vista técnico, sino que también se ajustan a los objetivos empresariales y los estándares de cumplimiento normativo de los bancos.

Prestación de servicios

Es esencial poder integrar la inteligencia artificial a las aplicaciones para prestar servicios basados en esta tecnología al sector bancario. Esto implica combinar los modelos de inteligencia artificial con las aplicaciones bancarias actuales para mejorar la experiencia de los clientes y aumentar la eficiencia operativa. Por ejemplo, al integrar la inteligencia artificial a las aplicaciones de atención al cliente, se puede brindar un servicio más personalizado y eficiente.

Con una arquitectura de microservicios, se obtiene mayor velocidad, menor tiempo de comercialización y reducción de los costos. Los microservicios permiten desarrollar las aplicaciones en módulos, lo cual facilita y agiliza la integración de la inteligencia artificial y la actualización de los servicios para responder rápidamente a los cambios en el mercado y los requisitos normativos nuevos.

Capacidad de expansión

La tecnología de inteligencia artificial en el sector bancario debe ser adaptable para poder seguir el ritmo de los rápidos avances que suelen impulsar las comunidades open source. La capacidad de las empresas de incorporar rápidamente tecnologías, partners y paquetes nuevos es fundamental para mantener su ventaja competitiva.

Esta capacidad de expansión también implica que los sistemas de inteligencia artificial de las instituciones bancarias se diseñen en función de las futuras integraciones. A medida que evoluciona la inteligencia artificial, los bancos deben poder adoptar tecnologías y métodos nuevos para mejorar sus servicios y operaciones de manera constante. Para ello, se requiere una plataforma flexible y una cultura empresarial que adopte el aprendizaje y la adaptación permanentes.

Para integrar la inteligencia artificial al sector bancario, es fundamental no solo conocer las funciones necesarias, sino también encontrar los partners y las herramientas adecuadas para facilitar este proceso. Red Hat es un referente en este ámbito, dado que ofrece soluciones personalizadas para las necesidades únicas de esta tecnología en el sector bancario.

Red Hat AI es una plataforma de productos y servicios que ayudan a tu empresa en cualquier etapa del proceso de adopción de la inteligencia artificial, independientemente de si estás comenzando o ya puedes expandirla. Respalda las iniciativas de inteligencia artificial generativa y predictiva para los casos prácticos exclusivos de tu empresa.

Con esta herramienta, tienes acceso a Red Hat® AI Inference Server para optimizar la inferencia de los modelos en toda la nube híbrida y lograr que las implementaciones sean más rápidas y rentables. El servidor de inferencia está impulsado por los vLLM y aprovecha al máximo la GPU, además de permitir los tiempos de respuesta más rápidos.

Obtén más información sobre Red Hat AI Inference Server

Red Hat AI Inference Server incluye el repositorio de Red Hat AI, un conjunto de modelos optimizados y validados por terceros que fomentan la flexibilidad y la uniformidad entre los equipos. Con el acceso a este repositorio, las empresas pueden agilizar el tiempo de comercialización y reducir los obstáculos financieros que dificultan la adopción de la inteligencia artificial. 

Obtén más información sobre los modelos validados por Red Hat AI