A gigantesca popularização da inteligência artificial promete mudar a forma como o sell-side e todo o setor financeiro faz negócios. Muitas empresas já estão usando a tecnologia para lidar com tarefas cotidianas, como filtrar pilhas de dados ou extrair insights de apresentações de resultados.
Porém, a IA não é uma solução mágica que vai resolver todos os problemas, e muitas organizações enfrentarão desafios para aproveitar o potencial dessa nova tecnologia.
A realidade da inteligência artificial
Essas questões estiveram no centro das discussões no Fórum de Líderes do Sell-Side deste ano, organizado pela Bloomberg em Nova York. Durante um painel sobre IA e machine learning (ML, na sigla em inglês) moderado por Tiffany Wong, diretora de soluções de estratégia digital para as Américas na Bloomberg, os líderes do setor Shawn Edwards, CTO da Bloomberg, e Dan Bosman, CIO da TD Securities, aprofundaram-se na discussão da realidade na integração da IA em uma empresa.
Principais desafios
Dando início à discussão, Dan Bosman identificou três desafios críticos para o presente e o futuro da IA:
- Privacidade e propriedade intelectual
O primeiro e mais importante ponto é a incerteza em relação aos dados. Os modelos de IA são desenvolvidos com base em enormes volumes de dados. Isto levanta a questão: quem é o proprietário de todos os dados com os quais esses modelos estão sendo treinados, qual é o nível de confiança nos dados e, ainda mais importante, quem é o dono e responsável pelo que o modelo produz? O cenário regulatório continua evoluindo e as empresas precisarão aprender e ouvir antes de mergulhar de cabeça no mundo da IA.
- Risco e governança
Este não é um desafio novo, mas um desafio em evolução. A maioria das empresas no sell-side já usou modelos de inteligência artificial e machine learning, como os da Bloomberg, para processar grandes volumes de dados e gerar insights. Portanto, há um precedente para o uso desses modelos em conjunto com a gestão de risco e governança. Mas a realidade é que os modelos de IA atuais trouxeram novas complexidades. Estes novos modelos não são necessariamente transparentes, o que torna desafiador para as equipes de governança entenderem como o modelo é treinado e como ele funciona.
- Viabilidade econômica
As empresas devem se concentrar na solução dos problemas certos com o melhor custo benefício. Ao traçar um paralelo com o início da computação em nuvem, Dan observou que o provisionamento excessivo e a escolha dos maiores modelos talvez não seja sempre a melhor abordagem. As empresas precisam equilibrar o desempenho com a eficiência de custos.
Indo além dos chatbots: uma abordagem holística
Shawn Edwards fez coro aos desafios apontados por Dan Bosman. Além disso, Edwards destacou que a IA já auxiliou com análise de pesquisa, bancos de investimento, e nas vendas e trading. O desafio agora não é só aumentar a produtividade dos funcionários, mas como os clientes podem interagir e confiar nas informações geradas por IA.
E essa preocupação vai além de depender apenas de um chatbot. Afinal, os chatbots e outras ferramentas de IA que utilizam grandes modelos de linguagem gerais nem sempre entendem as nuances de um setor — tornando essas ferramentas propensas a gerar informações imprecisas.
A Bloomberg usa a IA como um complemento, não como um substituto, dos fluxos de trabalho atuais. Por exemplo: as ferramentas de transcrição de teleconferências de resultados da empresa combinam o conhecimento humano com o poder da IA para gerar resumos mais precisos e relevantes.
A ideia não é enviar quantidades enormes de texto para grandes modelos de linguagem (LLM, na sigla em inglês) com a esperança de uma resposta contextualmente precisa. Em vez disso, a Bloomberg usa o apoio de analistas internos do sell-side para elaborar perguntas que uma IA possa usar para analisar uma teleconferência de resultados. Estas podem ser perguntas sobre orientações futuras ou possíveis efeitos macroeconômicos nos resultados.
Para chegar lá, é preciso mais do que um modelo de IA padrão. A Bloomberg primeiro utiliza tecnologias como bancos de dados vetoriais densos e geração aumentada por recuperação (RAG, na sigla em inglês) para entender a essência de cada parágrafo em uma transcrição. Em seguida, um grande modelo de linguagem vai resumir as informações mais relevantes em alguns pontos.
O objetivo não é apenas responder às perguntas, mas ajudar os usuários a entender o porquê da resposta. A qualquer momento os usuários podem clicar no resumo para ver de onde o modelo obteve as informações. Dessa forma, os usuários estão sempre no controle e nunca precisam duvidar da exatidão das informações.
Perspectivas para o futuro
O futuro da IA involve grandes investimentos. Investimentos em plataformas robustas que garantam que os dados sejam acessíveis, organizados e confiáveis. Apenas enviar quantidades infinitas de dados para um modelo de IA não é o suficiente — os dados devem ser criteriosamente selecionados e o sistema deve ser treinado para entender as nuances do setor financeiro.
E tudo isso começa e termina com as pessoas na frente dos computadores. É essencial ter profissionais qualificados que possam fazer a ponte entre a tecnologia e as necessidades empresariais, garantindo que as ferramentas de IA sejam utilizadas em todo o seu potencial.
A Bloomberg tem feito isso há décadas, investindo de forma constante em dados, infraestrutura e pessoas, tornando a IA um item valioso para qualquer negócio.