Hoje nós vamos falar sobre os princípios dos quais acredito serem os verdadeiros agentes de mudança pelos próximos anos. Quando investigamos tendências futuras e tecnologias disruptivas que impactarão significativamente no modo como os bancos vão operar e o que os bancos farão no mercado, as opções são inúmeras. Nós podemos escutar coisas como, a proliferação contínua de dispositivos móveis, o sistema de pagamento em constante mudança e computação baseada em nuvem. No entanto, após toda minha pesquisa, existem duas tendências que irão formar as bases para as mudanças, que acredito serem mais significativas a impactar nosso panorama num futuro próximo. Hoje vamos discutir a primeira dessas tendências tecnológicas relevantes. E esse é o "aprendizagem de máquina". Deixe-me começar colocando uma questão. Qual a maior despesa não relacionada aos juros de uma instituição financeira? Você acha que é a provisão para perdas em empréstimos? Não, ela está em torno de 5%. Que tal as edificações e imóveis? Também não, representam apenas de 3% à 4%. Algumas pessoas podem dizer que é a tecnologia, cuja média costuma ser de 7%. A maior despesa para o banco é a despesa com pessoal. Especificamente, os salários e benefícios dessas pessoas. Conforme a complexidade do modelo de negócios aumenta, o total de empregados necessários aumenta também. Pense a respeito, uma regulação adicional foi imposta, então o número de empregados teve que ser aumentado para manter isso. Como os bancos continuam a oferecer novos produtos e serviços adicionais então também há um aumento correspondente de empregados para manter isso. Mesmo em empresas de tecnologia, supostamente os bastiões que impulsionam a eficiência em uma instituição financeira, com frequência seu número de empregados continua a crescer também. Apesar de eu ter que confessar que escutei mais de um CIO me explicando que eles estão, na verdade, diminuindo o número de empregados. Eu acredito que se alguém reparar bem nas declarações contábeis das companhias eu acho que o que você verá na maioria, ao menos, nos casos em que eu pude conferir é que talvez enquanto os funcionários estão equiparados ou ligeiramente abaixo, o que você vê é uma correspondente elevação, uma elevação relevante na maior parte dos casos, um aumento no número de consultores e profissionais independentes ou terceirizados para manter a mesma carga de trabalho. Não se deixe enganar, aproximadamente 1/3 do total de custos não relacionados aos juros numa instituição financeira são recursos humanos e esse número está crescendo, se você olhar ao longo das últimas duas décadas esse percentual não caiu, de fato, ele aumentou quase todos os anos.
Bancos não podem permanecer competitivos se sua maior despesa continuar crescendo mais rápido que o crescimento de sua receita, em particular, nos últimos anos. Essa razão por si só, é a principal impulsionadora por trás do conceito do "aprendizado de máquina". Primeiro, vamos definir o que significa "aprendizado de máquina", aprendizado de máquina é um subconjunto de um tópico muito mais amplo, frequentemente citado como inteligência artificial e algumas vezes citado como "máquinas pensantes". Inteligência artificial ou máquinas pensantes são concebidas desde a mitologia grega, particularmente na história de Talos da Grécia. Talos era um robô que circulava a ilha 3 vezes por dia protegendo seus habitantes de invasores externos. O campo moderno da inteligência artificial foi iniciado no Dartmouth College em 1956. Em meados dos anos 60 até mesmo a DARPA, o departamento de defesa americano, entrou com financiamento significativo, os computadores logo estavam aptos a jogar damas, resolver problemas básicos de algebra, começando, até mesmo, a aprender inglês, foram tempos agitados, foi previsto, que dentro de 20 anos as máquinas serão capazes de fazer qualquer trabalho que o homem possa executar. Ao menos, esse é o exemplo perfeito de uma curva Gartner Hype, e amigo, isso foi uma beleza, os pesquisadores e programadores subestimaram amplamente o que seria preciso para avançar a AI além da solução de simples jogos como Damas, para algo capaz de operar como um ser humano faria. Pouco tempo depois, nos anos 70, o financiamento começou a esgotar como resultado de todas as promessas vazias. A próxima década, ficou conhecida como o inverno da inteligência artificial, falando sobre o troféu da desilusão, mas como a maioria das grandes inovações a realidade foi um pouco diferente. A verdadeira pesquisa e o progresso continuaram ano após ano, com toda propaganda associada. Os problemas difíceis foram sendo resolvidos.
Nos anos 90, inteligência artificiai de foco restrito, vou explicar o que são IA de foco restrito em um minuto, começando seu caminho em aplicações comerciais, alguns dos exemplos são: logística, mineração de dados e até mesmo automóveis. Com o advento dos sistemas de frenagem anti-travamento (ABS). Então, como nós superamos esses obstáculos precedentes, na verdade é bem simples, os pesquisadores dividiram o que chamamos de IA em duas categorias distintas, 1, inteligência artificial geral e 2, reconhecimento de padrões e teoria do aprendizado computacional. Eu sei que parece ser muita coisa mas essa é a conclusão, vamos pensar sobre isso dessa forma, a inteligência artificial geral a qual chamaremos de AGI é bem parecida com o HAL 9000 de 2001: Uma Odisséia no Espaço, quero dizer, um computador onisciente, com conhecimento, lógica e visão como se fosse um super-humano, ou, para um exemplo mais recente, se você pensar no filme "Ela" no sistema operacional eles são ambos excelentes exemplos do que chamamos de AGI (Inteligência Artificial Geral). Infelizmente, nós estamos muito distantes de atingir isso. Não é uma questão de falta de poder computacional, ao invés disso, é a falta de entendimento de como os processos neurais realmente funcionam. As complexidades da mente humana se tornaram verdadeiramente aparentes. Mas o segundo ramo da IA, que é o reconhecimento de padrões e aprendizado computacional faz avanços significativos. Da forma como discutiremos, é agora referido como aprendizado de máquina.
Os métodos de aprendizado de máquina também são mencionados como análise preditiva, ou, modelagem preditiva. Então como o aprendizado de máquina se distingue de algo como a mineração de dados, algo que qualquer bom time empresarial de dados executa de forma contínua. A mineração de dados é simplesmente um conjunto de ferramentas que utiliza algoritmos específicos pré-programados para buscar um grande conjunto de dados, procurando por padrões e correlações. Ainda que seja uma ferramenta muito valiosa, tem um foco muito estreito em especificamente o que já esta presente nos dados. O aprendizado de máquina por outro lado é um software altamente complexo que é utilizado num conjunto de problemas, ou, conjuntos de problemas onde projetar e programar algoritmos explícitos não é nem mesmo tecnicamente viável. Além disso, conforme ele trabalha continuamente em um dado problema ou conjunto de dados, ele continua a aprender e a reproduzir melhores resultados conforme o tempo passa. Alguns exemplos são aplicações onde o aprendizado de máquina está sendo usado hoje em dia, coisas como filtro de SPAM, mecanismos de busca, até mesmo a visão computacional. O aprendizado de máquina é preditivo por natureza e enquanto influência grandes conjuntos de dados ele difere da mineração de dados tanto quanto uma charrete difere de uma nave espacial. Sim, ambos podem transportar pessoas mas por diferentes meios usando tecnologias diferentes. O essencial é isso, enquanto a mineração de dados é uma importante caixa de ferramentas, ela realmente não é nada a mais que uma pequena peça de conceito geral do aprendizado de máquina onde seu foco é olhar para trás, é olhar para correlações e padrões nos dados que já existem. Isso difere significadamente para o que nos referimos como aprendizado de máquina onde há uma prospectiva e um aspecto de aprendizado que dirige o software para fornecer respostas mais precisas e completas ao longo do tempo.
Então posso ouvir você pensando "Jim, essa é uma grande história mas onde estamos agora e por que isso é tão importante?" Bem, o aprendizado de máquina vem sendo desenvolvido com interfaces de linguagem natural também conhecidos como "assistentes digitais" mas no final é aprendizado de máquina. A Apple tem a Siri, a IBM tem o Watson, o Google tem o Google Now e algo chamado de Deep Mind, uma aquisição feita há dois anos atrás, vamos falar um pouquinho disso, o Facebook tem o Facebook M e a IA de video, a Amazon tem o Echo e existem dezenas e dezenas de Startups. Todas usando IA de foco restrito alavancando o aprendizado de máquina. Nos últimos dois anos, bilhões de dólares apareceram nesse espaço e o progresso tem sido simplesmente fenomenal. Extraordinariamente, o Watson venceu dois campeões do Jeopardy e agora vem sendo alavancado no campo médico combinando a pesquisa do genoma com as melhores práticas analíticas para proporcionar a comunidade médica assessoria em tempo real para cada caso. Google com Deep Mind, está dominando o aprendizado de máquina colocando-o para jogar games de Atari da década de 80, ele domina jogos como Space Invaders, depois de jogar mais de 5000 mil vezes e fez isso sem acessar o código fonte do jogo ou receber qualquer tipo de instrução, ele apenas assistiu pixels na tela com uma diretriz que dizia "maximize a pontuação", assistir isso em tempo real é simplesmente incrível. Enquanto os bilhões de dólares são investidos por essas grandes empresas de tecnologia, são importantes para nossa discussão, vamos tratar agora do que acontece especificamente no setor financeiro relacionado ao aprendizado de máquina.
Eu quero falar sobre cinco exemplos de onde o aprendizado de máquina, se funde diretamente no setor financeiro atualmente. Pela primeira vez, a maior parte das ações em todas as bolsas estão sendo negociadas usando aprendizado de máquina, não há humanos ganhando bônus, são máquinas decidindo quando e quanto executar minuto por minuto, segundo por segundo, subsegudo por subsegundo, entre todas as trocas. Isso inclui todos os traders de alta frequência e eles são meramente programas que não fazem nada a não ser potencificar o aprendizado de máquina. Número dois, nossos conselheiros robôs, os robôs conselheiros são um importante conceito para nós porque são o começo da substituição, sem trocadilhos, mas a substituição das atividades de um banqueiro tradicional. Nos meses recentes, Charles Schwab, lançou o que chamam de portfólios inteligentes de Schwab. O que isso faz é impulsionar o aprendizado de máquina e isso ajuda os clientes individuais e consumidores a estarem aptos a fazer investimentos em termos de tempo e localização ao longo de qualquer portfólio fornecido. É uma peça de software extremamente sofisticada que, como todo aprendizado de máquina, continuará a ficar cada vez melhor com o passar do tempo. E ele faz isso, sem a intervenção humana. De fato, isso advém diretamente de software de aprendizado de máquina para o próprio cliente. Verdadeiramente, um momento único para o setor bancário. Olhando um pouco adiante, nesse mesmo espectro, existem pequenas empresas startups e um exemplo realmente bom delas é chamado Neokami, eles saíram da Alemanha e arrecadaram uma soma significativa de dinheiro para um único propósito que é construir uma experiência de aprendizado de máquina com IA de foco restrito como um serviço. Imagine, aprendizado de máquina como um serviço, além disso, eles também estão focados, especificamente, na movimentação de preços das ações ou no próprio mercado de ações em si. O número três em nossa lista é o banco Barclays no Reino Unido. O Barclays anunciou recentemente que eles estão usando aprendizado de máquina ou inteligência artificial assistida para ajudar clientes em transferências de dinheiro, particularmente, transferências internacionais. Novamente, é o que um típico banco ajudaria a fazer no dia a dia.
Número quatro, é o Watson, lançando o que chamam de conselheiro baseado no Watson, para serviços ao cliente e aumento do gerenciamento da saúde. Ele esta sendo usado hoje em dia por diversos bancos internacionalmente e é utilizado em ao menos uma instituição financeira sediada nos EUA e por último, o número cinco tem sido especulado que um punhado dos bancos de ponta em Nova York estão impulsionando o aprendizado de máquina do Watson para desempenhar análises de risco em seus portfólios. É seguro pensar que algumas dessas instituições financeiras estão impulsionando essa poderosa tecnologia de forma a ajudá-los a ganhar vantagem no mercado. A IA de foco restrito ou aprendizado de máquina é o que vai ajudar essas instituições financeiras a começar a reduzir custos. Eu não estou dizendo que a IA vai eliminar completamente a necessidade por humanos, na realidade, ao longo dos próximos anos a IA funcionará mais como uma assistente e menos como uma substituta. Mas acredito que rapidamente, ao longo do tempo, não é excesso de projeção ou de previsão, poder falar que mais e mais tarefas nas instituições financeiras serão passíveis de serem executadas por um aprendizado de máquina direto ou por interfaces de IA restrita.
Fonte: Jim Kittridge
Nenhum comentário:
Postar um comentário