Operação de Machine Learning elimina erros e gera negócios para instituições financeiras

Operação de Machine Learning elimina erros e gera negócios para instituições financeiras

As soluções financeiras estão adotando tecnologias que permitem a compreensão e resolução de problemas cotidianos sem comprometer as operações e que, além disso, geram dados e análises em escala, o que está se tornando fundamental para os negócios das instituições. Machine Learning é uma dessas tecnologias, mas é preciso cuidado para que projetos que preveem seu uso fiquem apenas numa apresentação, sem saírem do papel, o que é um desperdício dos benefícios que pode trazer.

Para evitar isso, a chamada Operação de Machine Learning (MLOP) se mostra uma saída eficiente, capaz de gerar oportunidades e até mesmo de limitar a exposição a problemas regulatórios, como mostra a análise “How Can We Operationalize Machine Learning?” (Como Podemos Operacionalizar o Aprendizado de Máquina), feita pela Capco, consultoria global de gestão e tecnologia dedicada ao setor de serviços financeiros do Grupo Wipro. 

MLOP é o processo de organização e implantação de modelos de machine learning em produção, permitindo automatizar, padronizar e gerenciar algoritmos inteligentes. Isso inclui a conexão entre machine learning, engenharia de dados e desenvolvedores e operadores de softwares.

“Os serviços financeiros têm muito a ganhar porque o MLOps já está ajudando a ciência de dados a criar valor real em áreas como proteção contra fraude de cartão, saldo, previsão de folha e requisitos de liquidez de capital”, explica Alexandre Bueno, gerente sênior da Capco e head do Capco Digital Lab São Paulo. “O motivo é que com essa operacionalização, os hiperparâmetros e recursos podem variar facilmente, usando resultados descobertos no componente de monitoramento de desempenho do fluxo de trabalho”, completa ele.

Assim como em Operações de Desenvolvimento (DevOps), o monitoramento também é fundamental porque seu objetivo é garantir uma operação suave e um serviço ininterrupto e confiável. Isso também ocorre no MLOps, mas a função de monitoramento se estende além disso: o objetivo é coletar métricas e registrar os dados de entrada nos sistemas de previsão para que possa ser alimentada em uma camada analítica, onde várias anomalias podem ser detectadas.

O uso de MLOps inclui fases que começam com o desenvolvimento do modelo. Na sequência, um cientista de dados faz um processo de limpeza rápida e preparação de dados para serem enviados por uma série de experimentos de modelagem orquestrada, onde o modelo é treinado e avaliado e finalmente validado offline.

“Essas etapas têm paralelo direto com DevOps, uma abordagem já familiar para muitos serviços financeiros profissionais e que, por sua vez, é a manifestação técnica dos princípios ágeis. O DevOps faz uso de pipelines automatizados que permitem atualizações contínuas de sistemas”, explica Bueno.

Dessa forma, os desenvolvedores e engenheiros se concentram na criação de código de aplicativo sem ter que se preocupar em “quebrar” qualquer coisa que já esteja lá. O DevOps faz uma integração contínua, teste de unidade, integração e implantação como parte de sua função fundamental. Mas à medida em que os serviços financeiros adotam o Big Data e a Inteligência Artificial (IA) como parte crucial de seus sistemas, funções semelhantes precisarão ser incorporadas ao pipeline de Machine Learning. E é aí que se cria a necessidade de MLOps.

Apesar do potencial gigantesco do Big Data na geração de insights importantes, ainda há muita perda por falta de infraestrutura para integrar os algoritmos de aprendizado de máquina no dia a dia. “Para solucionar esse tipo de problema, o MLOps se mostra espantosamente rápido e o monitoramento é um dos seus componentes-chave. Isso porque fornece uma extensa camada de métricas em tempo real e registro para possibilitar a correta administração dos sistemas em produção”, destaca Alexandre.

O conteúdo completo (em inglês) da análise pode ser acessado AQUI

Share This Post

Post Comment