Entraves para a maior adoção de inteligência artificial por empresas de diferentes setores, em especial o financeiro

Nos últimos anos, a utilização pelas empresas de aplicações de inteligência artificial (IA) vem crescendo de forma contínua, apesar do avanço na utilização das técnicas de IA a adoção generalizada está evoluindo de forma desigual em empresas de diferentes setores. As duas principais barreiras são a falta de talentos e a escassez de dados realmente produtivos.

Em geral, quando se veem frente a novos desafios tecnológicos para os quais não dispõem de pessoal qualificado, nem de metodologias de trabalho apropriadas, as organizações contratam empresas especialistas na nova tecnologia. No caso de IA é necessário ter acesso a dados produtivos reais das companhias, o que gera um empecilho na contratação de terceiros e, consequentemente, dificulta a implementação de soluções avançadas com esta tecnologia.

A falta de garantia de privacidade das informações é outra barreira significativa na implementação de IA nos processos internos e em migrações de soluções para cloud SaaS, assim como no momento da utilização (inferência), por requerer o envio dos dados para um serviço externo. Estas são barreiras reais que precisam ser levadas em consideração no dia a dia das companhias para evitar ameaças reais de quebra da privacidade e de cibersegurança.

Os centros de pesquisa de IA estão apostando em técnicas para garantir a privacidade das informações no desenvolvimento e utilização de modelos de machine learning, tendo como duas alternativas mais relevantes:

1. Aprendizado distribuído (Distributed Learning) – cujo objetivo é conseguir treinar modelos compartilhados entre diversas plataformas (servidores, celulares etc.), sem precisar compartilhar ou movimentar dados. Cada plataforma realiza um treinamento parcial com seus dados, posteriormente o modelo resultante é compartilhado pelos participantes sem risco de quebra da privacidade dos dados, de modo que todos os participantes possam se beneficiar do aprendizado em conjunto. As estratégias para isto são federated learning e split learning. O principal ponto fraco destas técnicas relaciona-se com a complexidade das arquiteturas do processo de avaliação dos resultados dos treinamentos.
2. Encriptação homeomórfica (Homomorphic Encryption) - é um tipo de encriptação que permite realizar treinamento e inferência de modelos sobre o dado encriptado, mantendo como propriedade que o modelo resultado do treinamento é válido sobre os dados e que o resultado da inferência também é válido. Como qualquer encriptação, o principal ponto fraco é que exige capacidade de computação e requer o uso de modelos de machine learning compatíveis com a encriptação homeomórfica.

 

Com a evolução e generalização destas técnicas, o compartilhamento de informações de forma segura pode multiplicar os produtos e os serviços inclusive a potencialização de novos marketplaces de dados e de modelos, beneficiando a todos os participantes. Como já demostrado no contexto médico, com a utilização de métodos de aprendizado distribuído é possível ajudar diferentes hospitais a construírem soluções de machine learning colaborativas a partir de tecnologias de aprendizado.

Em paralelo, o open banking está crescendo, com diversos graus de implementação, sendo o Reino Unido o país mais evoluído, cuja normativa está em vigor desde janeiro de 2018. No Brasil, a normativa já foi publicada e a primeira fase inicia no 30 de novembro, mas se for tomado o Reino Unido como referência, a tendência é que a maior barreira para adotar soluções de open banking será a desconfiança dos usuários em relação ao uso que pode ser feito de seus dados financeiros. Essas normativas, entre outros aspectos, regulam como os procedimentos das instituições financeiras, quando os clientes pedirem para acessar seus dados nas soluções de open banking, sendo que cada ecossistema poderá estabelecer seus próprios protocolos e plataformas tecnológicas. O fato é que no Brasil as normas deverão estar em conformidade com a Lei Geral de Proteção de Dados (LGPD) e pela Lei do Sigilo Bancário nº.105/2001, ainda que a LGPD ainda não esteja em vigor se adotou a base legal do consentimento, para tratar os dados dos usuários.

Tecnologias como o aprendizado distribuído e a encriptação criptografada, que garantem a privacidade, podem acelerar a adoção do open banking, porque suas aplicações têm uma forte relação com a monetização dos dados financeiros dos clientes. Estas tecnologias terão como principais finalidades: centralizar a operação de diversas ferramentas mobile de diferentes bancos, que a partir do comportamento das pessoas podem automatizar transferências, investimentos e outras ações financeiras para oferecer alternativas financeiras cada vez mais personalizadas aos consumidores.

Diante deste contexto é relevante considerar também a utilização de blockchain para compartilhar os dados, já que sua construção garante privacidade, com velocidade de processamento, na realização de transações instantâneas e viabilizar contratos inteligentes. Portanto, a democratização no acesso aos dados deve passar pelas tecnologias nas quais as instruções do contrato são executadas, sem dúvida, está no DNA delas permitir a criação de plataformas seguras, com potencial para criação de novas oportunidades, com novos produtos e serviços, que agreguem valor aos consumidores, seja como clientes, pacientes ou cidadãos.

Portanto, para incrementar a adoção de soluções de inteligência artificial é preciso começar imediatamente a mudar a cultura empresarial, entender como IA pode efetivamente mudar os diferentes modelos de negócios, treinar pessoas e atender às exigências da LGPD e de outras regulamentações referentes à privacidade. Esta tecnologia pode revolucionar o mercado, porém ainda é usada apenas em questões operacionais pontuais, precisamos nos unir para colocar todo seu potencial em prática.

 

Luis Quiles Ardila - diretor de Data Science da everis Brasil