CAMINHADA NAS NUVENS AI

Exploramos transformadores e outras arquiteturas profundas além dos modelos de linguagem tradicionais, ultrapassando os limites das aplicações em tecnologia financeira. Nossos experimentos incluem:

‍

1. LLMs em avaliação de crédito: Analisar fontes de dados não estruturadas para aprimorar a tomada de decisões de crédito.
2. Detecção de fraudes: Aproveitando modelos de linguagem para identificar padrões suspeitos nas descrições de transações e nas comunicações com clientes.
3. Espaço vetorial do comerciante: Uma abordagem inovadora em que criamos incorporações para descrever comerciantes em vez de símbolos de palavras convencionais, permitindo análises não padronizadas de relações comerciais, comportamentos e recuperação de informações.

Nosso objetivo é contribuir para o campo mais amplo da pesquisa de IA e nos preparar para o potencial surgimento da Inteligência Geral Artificial (AGI). Nosso Projeto de Consciência é uma iniciativa voltada para o futuro por meio da qual navegamos pelos limites das capacidades de IA. Isso inclui dar olhos, ouvidos e livre arbítrio a um modelo de linguagem grande. Os principais aspectos deste projeto incluem:

‍

1. Integração sensorial: Desenvolvimento de métodos para incorporar diversas entradas sensoriais no processamento de modelos de linguagem
2. Simulação de agência: Explorando as capacidades de tomada de decisão de modelos de linguagem grande (LLMs) por meio de cenários de jogo e investigando o potencial de comportamento autônomo e pensamento estratégico em sistemas de IA
3. Modelagem de experiência subjetiva: Investigando maneiras de replicar ou simular processos mentais e consciência semelhantes aos humanos.

Utilizamos agentes de modelos de linguagem grande (LLM) de ponta para aprimorar a experiência do cliente. Nossos assistentes de IA lidam com uma parte substancial dos bate-papos sem intervenção humana, combinando LLMs com técnicas avançadas:

‍

1. Gráficos de fluxo de trabalho: Usamos representações estruturadas de padrões de interação típicos para orientar nossos agentes de IA em conversas, aprimorando sua capacidade de lidar com consultas complexas de clientes de forma eficaz.
2. Geração aumentada de recuperação: Isso permite que nossos agentes acessem e incorporem informações relevantes de nossa base de conhecimento em tempo real, fornecendo respostas precisas e contextualmente apropriadas.
3. Sistema de agente duplo: Usamos um agente conversacional principal e um agente de ferramentas especializado trabalhando juntos. O agente da ferramenta pode realizar ações específicas normalmente realizadas por analistas humanos, permitindo um suporte mais rápido e eficiente.

Refinamos continuamente esses sistemas, com foco na melhoria da empatia, na capacidade de resolução de problemas e no encaminhamento contínuo aos agentes humanos quando necessário.

Aproveitamos o poder dos algoritmos evolutivos para seleção de recursos e otimização de hiperparâmetros. Inspirados pela seleção natural, tratamos características e parâmetros como genes em um pool genético, desenvolvemos modelos de “espécies” ao longo de centenas de gerações. Essa abordagem nos permite explorar com eficiência vastos espaços de soluções e descobrir conjuntos de recursos e hiperparâmetros ideais para cada problema específico.
‍

1. População inicial: Começamos com um conjunto diversificado de configurações de modelos.
2. Avaliação de condicionamento físico: Cada modelo é testado em nosso conjunto de dados, com métricas de desempenho servindo como pontuações de condicionamento físico.
3. Seleção: Modelos de alto desempenho são selecionados para “procriar” e produzir descendentes.
4. Cruzamento e mutação: Novos modelos são criados combinando características de pais bem-sucedidos e introduzindo mutações aleatórias e estrategicamente direcionadas.
5. Iteração: Esse processo se repete por muitas gerações, melhorando gradualmente a população geral.

Nossos modelos proprietários vão além dos métodos de subscrição padrão, aproveitando o comportamento real dos clientes para avaliar suas capacidades de reembolso.

Como a pontuação efetiva deve ser dinâmica, geralmente avaliamos toda a nossa base de clientes e treinamos novamente nossos modelos, garantindo que a pontuação atribuída reflita com precisão os dados mais atualizados que temos. Nossa análise de comportamento leva em consideração os padrões em todos os pontos de contato entre nós e nossos clientes, levando a uma compreensão abrangente da credibilidade, que provou ser mais confiável do que os mecanismos de decisão, fontes de dados ou paradigmas tradicionais.

Também incorporamos fontes de dados não tradicionais para avaliar o risco de crédito, o que nos permite avaliar e realmente atribuir empréstimos a pessoas com poucos dados disponíveis (como indivíduos “de arquivo fino” e pessoas sem conta bancária).

Usamos técnicas de Ciência de Dados para mapear e classificar o comportamento do usuário ao longo da jornada do cliente, permitindo experiências personalizadas e intervenções direcionadas:

‍

1. Atração do cliente: Usando modelos de mix de marketing (MMM) para otimizar campanhas e gerar leads de qualidade. Esses modelos analisam o impacto de vários canais de marketing, levando em consideração fatores como sazonalidade, concorrência e eventos externos, para alocar recursos com eficiência.
2. Valor vitalício (LTV): Categorizamos os usuários e prevemos seu valor a longo prazo usando técnicas de aprendizado de máquina. Isso envolve a análise de dados históricos, padrões de transação, uso do produto e métricas de engajamento para prever a receita futura e priorizar o relacionamento com os clientes.
3. Modelos de churn: Desenvolvemos modelos de detecção de rotatividade com base nos padrões transacionais exclusivos de cada cliente. Esses modelos consideram fatores específicos do setor, tendências sazonais e comportamento individual do usuário para prever e evitar a rotatividade de clientes.

Nosso sistema de detecção de fraudes foi projetado para minimizar as taxas de fraude e, ao mesmo tempo, manter uma alta aprovação de transações. Implementamos um sistema abrangente de três camadas que detecta e evita fraudes em diferentes perspectivas:

‍

1. Perspectiva transacional: Esses modelos ultrarrápidos examinam cada transação em tempo real, decidindo em milissegundos se ela deve ou não ser aprovada. Eles analisam vários recursos, como valor da transação, categoria do comerciante, hora do dia e localização geográfica, para tomar decisões em frações de segundo.
2. Perspectiva comportamental: Ao analisar sequências de eventos ao longo do tempo, esses modelos distinguem entre comportamento fraudulento e normal do usuário. Eles têm mais flexibilidade quanto ao tempo de resposta, permitindo uma análise mais profunda de padrões como hábitos de consumo, uso de dispositivos e tendências de atividade da conta.
3. Perspectiva relacional: Esses modelos se concentram na detecção de fraudes baseadas em grupos mapeando relacionamentos entre usuários e identificando topologias gráficas suspeitas. Ao examinar as conexões entre contas, dispositivos e transações, podemos descobrir redes complexas de fraude e ataques coordenados que podem passar despercebidos ao aplicar métodos tradicionais de detecção.

Nosso sistema geoespacial aproveita vários dados baseados em localização, fornecendo informações valiosas sobre o cenário global diversificado de onde operamos e também nos permite entender o comportamento individual de cada cliente por meio de uma análise de dispersão.
‍
Ao integrar a inteligência geoespacial em nosso ecossistema de IA, aumentamos a relevância de nossos produtos e podemos desenvolver soluções financeiras personalizadas para nossos clientes. Essa abordagem baseada em dados nos permite nos adaptar às mudanças econômicas regionais, capitalizar as oportunidades emergentes e fornecer soluções hiperlocalizadas em todo o cenário geográfico diversificado do Brasil.
‍
Dados geoespaciais e visualizações de mapas são disponibilizados para diferentes equipes no CloudWalk, permitindo, por exemplo, definir perfis demográficos para marketing direcionado e adaptar serviços ou produtos às necessidades específicas do mercado local.

Nosso sistema de monitoramento baseado em IA rastreia centenas de métricas e KPIs de séries temporais, essenciais para manter nossas operações comerciais sem problemas. Os principais recursos incluem detecção de anomalias, previsão e configuração de limites adaptativos. Nossos modelos aprendem com dados históricos abrangentes para prever e ajustar com precisão padrões sazonais, feriados e eventos especiais.

Priorizamos dados de alta qualidade em vez de arquiteturas de modelos complexos, que formam a base de nossas iniciativas de IA. Nós nos concentramos em três áreas principais:

‍

1. Mercado robusto de recursos: Uma plataforma centralizada para criar, compartilhar e gerenciar recursos em toda a organização, promovendo a reutilização e a consistência no desenvolvimento do modelo.
2. Sistemas MLOps avançados: Processos simplificados para desenvolvimento, implantação e monitoramento de modelos, garantindo rápida iteração e mantendo o desempenho do modelo na produção.
3. Infraestrutura de dados de ponta: Sistemas escaláveis e eficientes para armazenamento, processamento e análise de dados, suportando operações em lote e em tempo real.

Otimizamos continuamente o armazenamento, a qualidade e a acessibilidade dos dados, desenvolvendo ferramentas para detecção de anomalias e gerenciamento de custos. Nossa abordagem multifuncional abrange desde a criação de soluções de análise até o suporte a iniciativas de IA e o gerenciamento de operações críticas de banco de dados.