A menos que tenhas ficado completamente alheio a todas as notícias sobre tecnologia ao longo de 2023, os LLMs provavelmente acabaram por monopolizar toda a atenção em torno da IA à tua volta, tal como fizeram com toda a gente no setor tecnológico. Pessoalmente, senti-me sobrecarregado com todas as notícias, sem saber, por vezes, a que devia prestar atenção.
Mas por que é que isto aconteceu?
Basicamente, a IA generativa (GenAI), em particular os Grandes Modelos de Linguagem (LLMs), como o GPT-4, foram a origem de todo este alvoroço. O ChatGPT foi lançado em novembro de 2022 pela OpenAI (baseado no GPT-3.5) e, em março de 2023, foi lançado o GPT-4. Esta tecnologia é um grande avanço. Os LLMs compreendem e geram texto semelhante ao humano, permitindo que as máquinas realizem tarefas que envolvem a compreensão e geração de linguagem natural.
Esta tecnologia oferece inúmeras oportunidades para as organizações do setor dos serviços financeiros. E essas oportunidades são metade do entusiasmo. Tendo trabalhado com tecnologia de Processamento de Linguagem Natural há mais de 10 anos, vejo esta inovação como uma verdadeira revolução. Estes modelos são treinados com enormes quantidades de dados textuais e possuem uma compreensão substancial da linguagem, bem como conhecimentos gerais sobre o mundo. Na verdade, os LLMs podem ser ajustados para responder a perguntas, atuar como assistentes ou ajudar as pessoas a escrever, resumir textos e até mesmo a programar.
O Processamento de Linguagem Natural «clássico» continua a ser muito útil, mas requer competências e experiência por parte de cientistas de dados ou engenheiros de PLN. Os LLMs tornam a resolução de problemas como a classificação, a extração de entidades e a síntese mais acessível aos programadores de software, facilitando assim a integração da IA em aplicações empresariais ou pessoais.
Afinal, ao aproveitar as capacidades dos LLMs, as empresas podem automatizar processos parcial ou totalmente, melhorar o envolvimento dos clientes e promover uma análise inteligente de dados, o que, em última análise, leva a uma maior eficiência, à redução de custos e a uma maior satisfação dos clientes. Isto pode ser uma verdadeira revolução!
No entanto, embora esta tecnologia seja poderosa, noto que tende a ser vista como o canivete suíço da IA, e é fácil cair na armadilha de pensar que pode substituir completamente os humanos. E foi daí que veio a outra metade do alarido. Bem, não pode! Só consegue fazer isso em tarefas relativamente simples e não se deve (ainda) confiar totalmente nela para tarefas que exigem verdadeira especialização e atenção aos detalhes.
O que podes fazer com os grandes modelos de linguagem no setor dos seguros e dos serviços financeiros?
Então, o que podes fazer com esta tecnologia extraordinária?
Existem muitas aplicações impressionantes para os LLMs, mas vamos concentrar-nos em algumas que podem fazer a diferença no setor dos seguros e dos serviços financeiros.
- Aplicações de perguntas e respostas baseadas em RAG
- Subscrição
- Reclamações e deteção de fraudes
- Gestão de carteiras de investimento
- Vendas
- Atendimento ao cliente
Trabalho no setor dos seguros e dos serviços financeiros há 12 anos. Existem várias etapas da cadeia de valor nestes setores que exigem que as empresas lidem com informação textual e numérica. Os profissionais que trabalham em cada uma dessas etapas beneficiariam significativamente com os LLMs, tais como: subscrição, sinistros e deteção de fraudes, monitorização de carteiras de investimento, vendas e atendimento ao cliente.
Aplicações de perguntas e respostas baseadas em RAG
Pela minha experiência, muitas empresas têm dificuldade em encontrar informações em toda a organização. A informação e os dados estão normalmente espalhados por vários silos, geralmente heterogéneos, de natureza estruturada e não estruturada (bases de dados, documentos de texto, folhas de cálculo, bases de conhecimento, etc.). Isto torna-se um grande desafio à medida que as organizações crescem. Mas mesmo as organizações mais pequenas sofrem com isso. Como startup, também temos dados espalhados por vários sistemas, como e-mail, gestão de documentos, RH, ERP, CRM e outros sistemas, e torna-se difícil encontrar informação.
Mas já temos motores de busca. Não é verdade?
Então, agora podemos dizer que a resposta ao problema acima é a pesquisa empresarial. De facto, a pesquisa empresarial tem vindo a tentar resolver este problema há muitos anos, quer ajudando os funcionários de escritório, quer através de soluções especializadas que se centram em documentos empresariais. Isto tem tido algum sucesso e facilitado a localização de informação, ou melhor, de documentos dentro de uma organização.
Mas já alguma vez viste um projeto de pesquisa empresarial? As soluções de pesquisa empresarial costumam exigir muitos recursos para serem criadas e mantidas, e as pequenas e médias empresas normalmente não têm meios para isso. As grandes organizações têm custos elevados para gerir este tipo de solução. Além disso, os motores de pesquisa empresarial não são bons a responder a perguntas, mas sim a apresentar uma lista de documentos relevantes. Além disso, a maioria dos motores de pesquisa empresarial não está otimizada para pesquisas de similaridade semântica, mas sim para pesquisas baseadas em palavras-chave ou em texto completo.
O que a RAG tem para oferecer
O RAG (Retrieval-Augmented Generation) vai além de apenas encontrar informações ou apresentar uma lista de documentos relevantes. O RAG usa um componente de motor de busca para recuperar dados relevantes e, em seguida, envia os resultados da pesquisa para um modelo de linguagem de grande escala (LLM). O LLM processa então a informação e usa o seu próprio conhecimento, juntamente com os resultados da pesquisa, para gerar uma resposta a uma pergunta.
Por outras palavras, o RAG não resolve o problema de reunir a informação num único repositório ou motor de busca. Para isso, continuam a ser necessários pipelines de extração, transformação e carregamento de dados (ETL) ou outras técnicas. Se não tiveres isso, é um desafio fazer com que qualquer solução RAG funcione corretamente, mesmo com os melhores modelos do mercado. É sempre necessário investir na criação de pipelines de dados de alguma forma, uma vez que os LLMs não são capazes de fazer isso. Outra alternativa seria usar um motor de busca empresarial com um LLM. O requisito é que o motor de busca tenha capacidades semânticas.
Então, como é que a abordagem RAG pode ser utilizada no setor dos seguros e dos serviços financeiros?
Vantagens dos LLMs na subscrição
Nos últimos 12 anos, tenho visto aplicações em que os subscritores utilizam o Processamento de Linguagem Natural para analisar dados de clientes, o histórico de sinistros e bases de dados externas de deteção de fraudes.
Por exemplo, já vi implementações que utilizam NLP baseado em regras para analisar relatórios de risco de engenharia e ajudar os engenheiros de risco a classificar os riscos. Esta abordagem clássica é bastante útil, mas tem custos elevados de desenvolvimento e manutenção. O RAG pode ser usado para tornar este processo mais ágil, uma vez que permite obter informações de melhor qualidade. Os LLMs podem ser usados para avaliar relatórios de risco elaborados por especialistas e, em seguida, gerar avaliações mais abrangentes, destacando potenciais áreas de preocupação e recomendando medidas adequadas.
Isso torna todo o processo mais barato de desenvolver e manter, além de mais completo e preciso.
Melhorar o processamento de sinistros e a deteção de fraudes
Os sistemas de deteção de fraudes baseiam-se, em grande parte, em regras. Há alguns anos, trabalhei num sistema para uma seguradora de retalho que tinha como objetivo detetar fraudes em pedidos de indemnização por incapacidade para o trabalho. Este tipo de pedidos envolve montantes avultados e requer intervenção humana na sua avaliação. Avaliar um pedido deste tipo tem custos elevados para uma seguradora, precisamente porque exige a experiência humana necessária para analisar centenas de páginas, como relatórios médicos. Na altura, a minha equipa desenvolveu um sistema híbrido que utilizava regras e um modelo de classificação baseado em Machine Learning para testar a plausibilidade e calcular a probabilidade de um pedido fraudulento. Embora isto tenha dado ótimos resultados para o cliente, foi mais uma vez um esforço considerável em termos de desenvolvimento e manutenção, uma vez que era preciso desenvolver e manter dezenas de regras ao longo de um longo período, e ajustá-las sempre que surgiam novos tipos de pedidos ou que as regulamentações mudavam.
Este processo pode ser significativamente melhorado com os LLMs.
Um especialista em sinistros pode perguntar a um sistema alimentado por RAG: «Qual é o valor médio do indemnização por uma janela partida num sinistro de seguro residencial, com base no código postal X?» O sistema iria recuperar dados relevantes de documentos de apólices, dados históricos de sinistros e relatórios de mercado externos. O LLM analisaria então essa informação e geraria uma resposta com o valor médio da indemnização.
Os LLMs podem reduzir ou eliminar a necessidade de sistemas baseados em regras, uma vez que simplificam a recuperação de informação e tornam esta mais acessível. Mais uma vez, a introdução desta tecnologia pode tornar as ferramentas de avaliação de sinistros mais baratas de desenvolver e manter, além de mais precisas e menos dependentes de amostragens.
Monitorização da carteira de investimentos
No passado, a minha equipa desenvolveu um software de monitorização de carteiras de investimento para uma empresa de serviços financeiros. A ferramenta era composta por três partes: um mecanismo de rastreamento, que recolhia o conteúdo do site de cada empresa relevante; um módulo de extração de informações, que extraía dados relevantes das páginas do site, relatórios trimestrais, etc.; e um serviço de resumo que sintetizava tudo e elaborava um relatório para cada empresa.
Desenvolver essa ferramenta de monitorização de carteiras foi uma tarefa desafiante e um grande investimento por parte do nosso cliente que, embora tenha valido a pena, exigiu um esforço considerável em termos de desenvolvimento e manutenção.
Os LLMs, e em particular o RAG, podem tornar o desenvolvimento e a manutenção dessas ferramentas muito mais rápidos e económicos. Além disso, os consultores financeiros ou gestores de carteiras de investimento podem usar o RAG para consultar grandes quantidades de dados financeiros, artigos de notícias, relatórios trimestrais e anuais, bem como relatórios de analistas. Um LLM pode então resumir as principais conclusões e tendências. Além disso, é possível fazer perguntas sobre uma determinada empresa ou carteira, facilitando muito o acesso à informação e a tomada de decisões.
Impulsionar as vendas de seguros com LLMs
Os produtos de seguros são muitas vezes difíceis de entender para os clientes, além de serem complicados de explicar. É preciso um especialista para compreender as coberturas e as exclusões, e para distinguir entre os vários produtos que as seguradoras oferecem.
Vamos dar um exemplo. De que cobertura de seguro precisa uma família de quatro pessoas? Digamos, dois adultos, duas crianças, uma casa e um carro? Vêm-me à cabeça algumas coisas: saúde, acidentes, seguro do lar e responsabilidade civil, no mínimo. Qual é o melhor produto para isto? Idealmente, haveria um único produto de «Seguro Familiar» que cobrisse tudo. Mas, na prática, isso não existe, por várias razões que estão fora do âmbito deste artigo. No entanto, não existe um único produto que cubra tudo isto, e o resultado é que a solução para a família passa por uma combinação de vários produtos de seguro. Para encontrar uma boa combinação, é necessário um especialista que avalie as diferentes opções, muitas vezes criando um pacote de vários produtos, de várias seguradoras. E se a família estiver parcialmente segurada?
Desenvolvemos uma solução para isto há alguns anos, com excelentes resultados, mas o esforço envolvido foi considerável. Envolveu uma combinação de regras, processamento de linguagem natural e aprendizagem automática, o que exigiu a participação de uma equipa de especialistas em IA durante pelo menos 6 meses.
Os LLMs podem levar isto a um novo patamar e ajudar a criar aplicações que ofereçam conselhos muito melhores, a um custo muito mais baixo.
Por exemplo, pode ser desenvolvida uma solução que, com base na informação sobre a cobertura de seguro atual de uma determinada família e no portfólio de produtos de uma empresa, consiga determinar o seguinte:
- A cobertura de seguro que a família tem atualmente
- A lacuna na proteção da família
- Sugere produtos que preencham as lacunas de proteção
- Sugere melhores opções para a cobertura atual
Com o uso de LLLs, é possível criar uma solução com melhor qualidade e a um custo mais baixo, em comparação com a tecnologia que usávamos há 6 anos.
Este é apenas um exemplo de como os LLMs podem ser aplicados nas vendas no setor dos seguros e dos serviços financeiros.
Atendimento ao cliente
Já falei acima sobre como os LLMs podem ajudar no processamento de sinistros no setor dos seguros.
Mas a tecnologia LLM também pode ser aplicada ao atendimento ao cliente no setor bancário. Por exemplo, o meu banco oferece um assistente de voz para cancelar e solicitar novos cartões de crédito. Da última vez que liguei para cancelar o meu cartão de crédito (acho que foi no verão de 2023), o serviço ainda era muito difícil de usar. Tive de tentar cinco vezes até conseguir cancelar o meu cartão.
É claro que este é um problema complicado, já que envolve várias etapas, desde definir o objetivo da chamada, passando pela autenticação do utilizador e pela identificação do cartão a cancelar, até à confirmação da transação com um código.
Os LLMs podem ajudar a tornar este processo muito mais simples, uma vez mais porque esta tecnologia permite um treino mais rápido e eficaz das partes do sistema responsáveis pela compreensão da linguagem — cujo desenvolvimento exigiu um esforço considerável —, resultando em soluções mais baratas e fiáveis.
Conclusão
Os LLMs representam uma verdadeira revolução para o setor dos serviços financeiros. Acredito que estão a mudar e que irão revolucionar a forma como este setor funciona.
Resumindo, os LLMs podem proporcionar a ti, à tua equipa e à tua empresa um poder sem precedentes.
