3 desafíos de la Inteligencia Artificial que los bancos afrontan

La Inteligencia Artificial (IA) es la ciencia que entrena sistemas o máquinas para imitar capacidades humanas, como el procesamiento de lenguaje, reconocimiento de imágenes y predicción de resultados a futuro a través del aprendizaje y la automatización; y que se ha convertido en el nuevo interés de los bancos dado que los ayuda a mantenerse a la cabeza de la competencia y es parte clave para lograr la transformación digital.

Así, la inteligencia artificial proporciona una variedad de herramientas que, mediante su buen uso, permitirá brindar un mejor servicio al cliente, formular servicios, ofertas más relevantes y personalizadas y optimizar procesos operativos.

Saby Celestino, Consultora de Analítica Avanzada en SAS Perú, comenta que la nueva ventaja competitiva de los bancos debe ser llamada ventaja analítica. «Las empresas del sector bancario que analicen, interpreten, formulen e implementen estrategias gracias a los insights de la data disponible, situarán sus negocio por delante de la competencia pues tendrán una ventaja analítica importante de por medio».

Sin embargo, el avance en el uso de la inteligencia artificial presenta día a día ciertos desafíos que las empresas deben tener en consideración para solucionar y así alcanzar el éxito.

Retos que van desde la accesibilidad a la data hasta la correcta interpretación de los modelos resultantes y que detallamos a continuación:

La Data y sus derivaciones

La creciente disponibilidad y diversidad de datos es unos de los impulsores de la inteligencia artificial, tanto de datos estructurados como no estructurados. Para su ejecución, las empresas bancarias necesitarán grandes volúmenes de datos para nutrir a estos softwares y brindarles autonomía, debido que el buen performance de la inteligencia artificial depende en gran medida de la calidad de los datos. Por ello, la accesibilidad a la data y su gobierno es vital para que la analítica sea una ventaja competitiva en las empresas bancarias.

La accesibilidad a la información no solo parte de las bases de datos tradicionales que tiene una empresa bancaria, sino de la Data Alternativa que es conseguida de webs, redes sociales, tarjetas de crédito y dispositivos de geolocalización. Los bancos tendrán que tener en consideración el buen uso y control de la información confidencial de acuerdo a las leyes de protección y privacidad de datos de cada país, la ética sobre el uso de los datos es otro componente importante que se debe considerar cuando adoptamos la inteligencia artificial.

Por lo tanto, si queremos que la inteligencia artificial opere en su máxima eficiencia, es necesario hacer buen uso de la data, tener un gobierno de datos y construir los modelos éticamente; así lograremos aprovechar los beneficios de IA, logrando más eficiencia y generando más valor para el banco.

Talento analítico

La inteligencia artificial depende de personas que estén capacitadas para que esta funcione de una forma eficiente. Así, para conseguir los beneficios que trae esta herramienta, como la alta productividad y ejecución de procesos automáticamente, se necesita de talento familiarizado con éstas técnicas. Además, es muy importante que las personas que lideren este tipo de proyectos conozcan muy bien el core del negocio además de las diversas metodologías que puede brindar la inteligencia artificial.

Por otra parte, no se trata únicamente de conseguir sólo científicos de datos; las empresas bancarias deben contar con colaboradores capacitados para la aplicación, entendimiento e interpretación de estas técnicas de inteligencia artificial.

Las empresas también tienen el desafío, además de conseguir personas con buen talento analítico, deben analizar si están dispuestos a realizar planes de atracción y retención de estas personas.

Interpretación efectiva

Los modelos de inteligencia artificial son muy sofisticados y son muy precisos frente a problemas complejos, por lo que muchas veces son vistos como una caja negra. Este es otro desafío que tiene la Banca: el poder interpretar los modelos de Inteligencia Artificial frente al regulador o a las distintas áreas y explicar el poder predictivo frente a diferentes usuarios para que no llamen a este tipo de modelos Caja Negra. Por lo tanto, es necesario adoptar modelos y metodologías de interpretación simples para que un Científico de Datos y cualquier colaborador del banco la comprenda.

Cabe resaltar que la importancia de una interpretación correcta son los insights que emergen de esta. Es decir, que de grandes volúmenes de información y del análisis que realicemos podremos conseguir información vital para cualquier decisión que el sector bancario vaya a realizar.

Un ejemplo de una metodología robusta es el método Shap, el cual permite interpretar las variables que contribuyen de manera positiva o negativa al resultado del modelo; es decir, permite la interpretación de los modelos complejos de IA (machine learning y Deep Learning).