La Inteligencia Artificial (IA) está en pleno auge y, aunque a nivel cotidiano nos siga sonando a ciencia ficción, en realidad todos los días nos relacionamos de alguna manera con entornos en los que el sistema artificial se comporta según lo que ha ido aprendiendo.
La IA junto con las tecnologías cognitivas suponen una disrupción tecnológica de gran impacto en todos los ámbitos de los servicios financieros.
¿Cómo y en qué aspectos se materializará?
En un sector donde el tratamiento de la información, la eficiencia operativa y la relación con el cliente son fundamentales, el resurgimiento de la IA y de las tecnologías cognitivas, que permiten automatizar y escalar exponencialmente procesos antes ejecutados exclusivamente mediante habilidades intelectuales humanas, suponen una disrupción tecnológica en todas las áreas del negocio financiero.
Sin embargo, para los bancos es una oportunidad todavía mayor.
La gran cantidad de datos y el detallado conocimiento que las entidades financieras acumulan sobre sus clientes, les permitirá suministrar nuevos servicios a sus clientes, mejorar la eficiencia operativa, o explotar la información todavía escondida en esos mismos datos.
De acuerdo con el estudio Banking Survey, la Inteligencia Artificial (IA) es uno de los temas más destacados en el proceso de transformación digital de la banca, y es considerada como importante por el 63% de los ejecutivos de bancos mexicanos encuestados.
¿En qué consiste realmente?
La IA es el campo científico de la informática que se centra en la creación de programas y mecanismos que pueden mostrar comportamientos considerados inteligentes.
Existen dos tipos de IA: la fuerte y la débil, en donde la IA fuerte es el conjunto de tecnologías que permitirían a una máquina realizar cualquier actividad intelectual de forma indistinguible a como lo haría un ser humano: percepción y comprensión del entorno, comunicación escrita, oral y visual, razonamiento, planificación y comportamiento “inteligente” (es decir, orientado a la consecución de objetivos).
Por su parte, la IA débil, donde, para determinados campos y capacidades, los algoritmos pueden desarrollar tareas antes exclusivas del ser humano. Este aspecto está experimentando un fenomenal desarrollo en sus aplicaciones de negocio.
Como respuesta a la IA débil, las tecnologías cognitivas son el conocimiento aplicado a las máquinas.
Es decir, su capacidad ya no sólo de recibir información con base en una programación y elementos estructurados sino su capacidad de aprender del entorno y tomar decisiones en base a datos no ordenados ni estructurados.
Hoy estamos en la base de una plataforma donde las máquinas con sistemas de inteligencia artificial pueden tomar decisiones “inteligentes” basados en toda la información disponible en internet o sus bases de datos propias.
El Machine Learning (y su variante, el Deep Learning, que intenta emular los procesos neuronales) es la base de las tecnologías cognitivas.
A partir de una gran cantidad de datos que sirven como ejemplos (por ejemplo, millones de visitas a una página web y su resultado, o el registro de miles de procesos y su resultado), se realiza un proceso de extracción de regularidades que dan como resultado algoritmos que permiten tareas tan “difusas” como reconocer tumores en mamografías, extraer conceptos de documentos, o emular a humanos conduciendo vehículos.
La diferencia con los sistemas tradicionales es que dichos “algoritmos” no son codificados a priori por ningún ser humano (imposible dada su complejidad) sino que son construidos automáticamente a partir de los datos siguiendo principios generales.
¿Por qué ahora?
La IA no es una creación reciente y gracias a diversas películas de ciencia ficción la conocemos y la tenemos presente. La IA data de los años 50, en el inicio de la informática y su desarrollo se ha visto acompañado de periodos de grandes expectativas y otros en que era considerada una vía muerta.
En los años 2000 es cuando se inicia su renacer espectacular. El fenomenal incremento en la capacidad de procesamiento siguiendo la Ley de Moore, la disponibilidad de inimaginables cantidades de datos procesables gracias a las tecnologías Big Data, junto al descubrimiento e implementación de nuevos algoritmos favorecido por el movimiento open source y la posibilidad de compartir libremente conocimientos en internet, permiten explicar el renacimiento de la IA y el Machine Learning hasta convertirse en un elemento disruptivo.
Con base en la conjunción de la operativa del negocio bancario de las técnicas analíticas “tradicionales”, la IA, el Machine Learning y el procesado de lenguaje natural surge la banca cognitiva, para los servicios financieros, de tal forma que se puede proveer nuevos servicios, dotar a los existentes de nuevas utilidades y conveniencias, e incrementar la eficiencia operacional mediante la automatización inteligente, o descubriendo nuevas regularidades en los procesos internos y externos.
El principio tecnológico de la banca cognitiva se compone fundamentalmente de tecnologías Big Data, junto a las que se superpone la aplicación masiva de la IA.
Los retos de la banca cognitiva
De acuerdo con GFT, el 59% de los encuestados en su estudio acerca de banca digital, respondió lo siguiente:
- La integración de los sistemas heredados con las nuevas tecnologías es el reto principal que presenta la banca para implementar una estrategia digital.
- La explotación correcta de la IA, alimentada de la experiencia y el conocimiento del tema, es otro reto que visualiza la banca con un poco más de la mitad de los encuestados en el sector financiero.
- La falta de experiencia y conocimiento dentro de la propia organización, con un 51%, es el tercer reto que visualiza la banca
- La seguridad y la privacidad es el último reto que, de acuerdo con 57% de los participantes de la encuesta realizada por GFT.
Es así como la definición de un caso de uso y negocio claro y bien delimitado es necesaria, así como la incorporación de los perfiles profesionales con conocimientos y experiencia especializados.
El perfil de científico de datos, una mezcla entre el analista de negocio con conocimientos sólidos de estadística y con nociones avanzadas de programación y algorítmica, sigue siendo elusivo.
Además, estos perfiles se deben coordinar en equipos altamente tolerables a la incertidumbre que han de integrar perfiles atípicos, por ejemplo, lingüistas para los chatbots o con conocimientos de negocio profundos.
Así mismo, es necesaria una plataforma sólida, tipo Big Data, capaz de integrarse con las aplicaciones tradicionales para la transferencia de datos, de forma ágil.
Todo esto, es el complemento indispensable para el buen funcionamiento de la banca cognitiva, bajo una estrategia de gestión flexible y ágil que permita interaccionar y experimentar con los diferentes actores: sistemas internos, talento interno y externo, uso de herramientas open source en sistemas in-house, experimentación con proveedores de servicios cognitivos as a service en cloud, adaptación y test de las soluciones propuestas por las Fintechs.
En definitiva, el resurgimiento de la IA y de las tecnologías cognitivas es una disrupción que conlleva riesgos y retos para la banca.
Una estrategia que maximiza la probabilidad de éxito es la utilización de laboratorios de innovación, donde con una visión end-to-end se puede idear sobre los casos de uso y valorar su retorno de la inversión, experimentando con las distintas tecnologías y estrategias en un ambiente cada vez más fascinante, con más oportunidades, pero complejo, cambiante y con mayores riesgos.
Por Antoni Munar, IA & Machine Learning Technologies Solutions en GFT
