Weekly Note
Inteligência Artificial
Aplicações, vantagens e problemas
Aceda à Weekly Note em formato pdf
A denominação “inteligência artificial” não é recente. O conceito foi introduzido, em 1955, por John McCarthy – considerado, então, o pai da inteligência artificial (IA). McCarthy definia a IA como “a ciência e a engenharia de fazer máquinas inteligentes”.
O cientista propôs o tema para a conferência de Dartmouth de 1956, a primeira dedicada ao tema da inteligência artificial. O seu objetivo era explorar alternativas para produzir uma máquina que pudesse raciocinar como um humano, pensar abstratamente, resolver problemas e aperfeiçoar-se de forma autónoma.
Mais recentemente, a definição de inteligência artificial tem evoluído, sem que haja consenso sobre a mesma e onde cada definição tem a sua variante, por muito leve que seja. Contudo, até agora, cada avanço na tecnologia de IA, leva sempre alguém a encontrar uma razão para concluir que a programação subjacente não é inteligência artificial real de alguma forma.
No entanto, Russell e Norvig (2010) distinguem as quatro dimensões que determinam o objetivo da IA:
- Agir humanamente: Deste ponto de vista, IA refere-se a computadores capazes de executar tarefas de forma similar ao ser humano;
- Agir racionalmente: Esta dimensão visa construir agentes que agem racionalmente;
- Pensar humanamente: esta perspetiva refere-se à replicação dos processos de pensamento humano. Aqui predomina o campo da ciência cognitiva, através da utilização de programas de computador e conhecimentos de psicologia para tentar igualar o modo de funcionamento da mente humana;
- Pensar racionalmente: refere-se ao uso de regras para chegar a conclusões lógicas, com base em premissas assumidas como verdadeiras.
Até há algumas décadas atrás, principalmente nos anos 70 e 80 do século passado, a maioria das pesquisas e desenvolvimentos em IA enquadrava-se na categoria de “pensar racionalmente”, sendo representada por sistemas especialistas. Um sistema especialista tem grandes bases de conhecimento e é usado para resolver problemas críticos num domínio em particular. São sistemas baseados em regras, com conjuntos pré-definidos de conhecimentos, utilizados na tomada de decisão.
A ideia de fazer com que a máquina aprenda por meio de observações (denominada Machine Learning) acabou por ser a mais aplicável na prática, tornando-se na técnica de IA predominante e que está subjacente à maioria das aplicações modernas.
Machine Learning (ML) é um campo dentro da inteligência artificial, onde as máquinas são capazes de decidir e agir com base em experiências passadas. Aqui, a máquina aprende as regras por si mesma a partir dos dados, chegando aos resultados sem a interferência do ser humano, que programa o sistema. É o caso das recomendações personalizadas da Netflix, por exemplo, onde o sistema aprende os gostos e as preferências do utilizador.
Já o Deep Learning (DL) é um campo que se encontra dentro do Machine Learning (ML), onde são utilizados algoritmos mais complexos que procuram imitar a rede neural do cérebro humano. São técnicas caracterizadas por terem muitas camadas de reconhecimento de padrões nestas redes neurais. Deste modo, o sistema é alimentado por uma quantidade exorbitante de dados, que são gerados constantemente, conseguindo também reconhecer padrões e gerar significados com mais facilidade que o humano. Através de agentes de Deep Learning, é dado um objetivo e o sistema faz o resto.
Embora a IA seja um campo amplo que envolve uma variedade de abordagens desenvolvidas ao longo do tempo, o interesse recente em IA é quase inteiramente centrado em Machine Learning (ML), de longe a abordagem de IA mais popular até hoje.
Para além disso, nos últimos anos, têm-se verificado grandes avanços tecnológicos no hardware, como as notáveis melhorias na capacidade de processamento e de armazenamento dos computadores, que tornaram viável o uso de algumas técnicas já existentes de IA, como a modelação estatística ou econométrica.
Adicionalmente, o volume e a amplitude dos dados que podem ser usados para treinar modelos de IA têm aumentado substancialmente. Além do mais, os algoritmos de IA foram aprimorados e tornaram-se bastante acessíveis, permitindo o seu uso, em muitos casos, sem a necessidade de conhecimento especializado em ciências informáticas. Todos estes fatores contribuíram para a crescente popularidade da IA e do ML.
O ML foca-se no uso progressivo de dados para adaptar os parâmetros de modelos estatísticos, probabilísticos e outros modelos de computação, automatizando uma ou várias fases do processamento das informações.
A maioria das aplicações de ML aos serviços financeiros depende de várias técnicas principais, que vão das redes neurais artificiais (RNAs), à análise de clusters, às árvores de decisão e florestas aleatórias, aos algoritmos evolutivos (genéticos), ao LASSO (Least Absolute Shrinkage and Selection Operator), às máquinas de vetores de suporte até ao processamento de linguagem natural (PLN).
Aplicações da Inteligência Artificial nos mercados financeiros
Gestão de portfólios
A gestão de portfólios envolve tomar decisões quanto à alocação de ativos com o objetivo de construir uma carteira com risco e retorno específicos.
As técnicas de IA pretendem contribuir para este processo, facilitando a realização de análises fundamentais sofisticadas, incluindo tanto a análise de dados quantitativos como a análise de texto. Esta última é possível através da análise da “análise de sentimentos” ou “IA emocional”, que consiste no uso de Processamento de Linguagem Natural (PLN), análise de texto, linguística computacional e biométrica para identificar, extrair, quantificar e estudar sistematicamente a informação subjetiva.
As técnicas de IA também podem ajudar a melhorar as lacunas das técnicas clássicas de construção de portfólios. Em particular, a inteligência artificial pode produzir melhores estimativas de retorno e risco de ativos, bem como resolver problemas de otimização de portfólio, com restrições complexas, gerando carteiras com melhor desempenho, quando comparadas com as resultantes das abordagens tradicionais.
Contudo, a IA e o ML ainda são pouco utilizadas no que respeita à gestão de portfólios, em todo o mundo, segundo estatísticas de 2020. Entre os gestores de ativos inquiridos, apenas 6% declararam utilizar inteligência artificial para a gestão de portfólios. Contudo, 76% dos inquiridos declararam estar a considerar ou a avaliar a introdução desta tecnologia como uma ferramenta adicional para análise e gestão de portfólios.
Trading
O trading é outra área popular para aplicações de IA. Considerando a crescente velocidade e complexidade das transações nos mercados financeiros, as técnicas de IA estão a tornar-se numa parte essencial desta prática. Uma característica particularmente interessante da IA está presente na enorme capacidade de processar grandes quantidades de dados para gerar sinais de transação. Os algoritmos podem ser treinados para comprar e vender ativos automaticamente, com base nesses sinais, dando origem à indústria das transações algorítmicas. Além disso, as técnicas de IA podem reduzir os custos de transação, analisando automaticamente o mercado e, subsequentemente, identificando o melhor horário, volume e local para as transações.
Sendo utilizado por muitas das grandes empresas de investimentos, bem como por investidores individuais, o Algorithmic Trading é, atualmente, uma das tecnologias de negociação em Bolsa mais procuradas.
Com previsões precisas do risco, o investidor poderá tomar decisões mais “informadas”. A IA tem a capacidade de recolher dados em massa para análise, aliando rapidez e precisão. Com esta capacidade, é-lhe possível maximizar os ganhos potenciais e simular cenários de risco. Por conseguinte, a IA e o ML têm vindo a tornar o negócio de trading mais lucrativo para os investidores.
Como é possível constatar no gráfico acima, as transações algorítmicas surgem em quarto lugar no que toca à previsão de vendas dos diversos segmentos onde tem sido desenvolvida e aplicada a IA.
Avaliação de risco
A IA também tem grandes implicações na gestão de risco de portfólios. Desde a crise financeira global, de 2008, a gestão de risco e conformidade estiveram na vanguarda das práticas de gestão de ativos. Com os mercados cada vez mais complexos, os modelos de risco tradicionais já não são suficientes para elaborar uma análise de risco exigente e eficaz, pelo que as técnicas de IA, que aprendem e evoluem utilizando os dados que surgem constantemente, podem fornecer ferramentas adicionais para a sua monitorização.
Especificamente, a IA auxilia os gestores na validação e backtesting de modelos de risco. As abordagens de IA permitem também extrair informações de forma mais eficiente, de várias fontes de dados estruturados ou não estruturados, e gerar previsões mais precisas de risco de crédito, volatilidade do mercado, tendências macroeconómicas e crises financeiras, do que as técnicas tradicionais.
A avaliação do risco de crédito tem sido um dos principais problemas para o setor bancário desde o momento em que começaram a conceder empréstimos aos clientes. Os desenvolvimentos na IA moderna, com foco na replicação da aprendizagem humana e do seu comportamento, oferecem muitos novos desafios na sua adoção para o apoio às tomadas de decisões complexas nesta área. Um research recente mostrou que técnicas de ML, como as RNA’s, as máquinas de vetores de suporte ou as florestas aleatórias, superam frequentemente as técnicas estatísticas tradicionais mostrando resultados mais promissores nas suas aplicações práticas.
Porém, a área da concessão de crédito acaba por ser um dos maiores desafios para a aplicação da IA. Isto porque quem concede o crédito tem de ser capaz de explicar, a quem o pediu, as razões para uma resposta negativa, evitando assim incorrer em acusações de preconceito ou discriminação quanto, por exemplo, ao género, à raça ou orientação sexual dos seus clientes.
Os credores descobrem frequentemente que os algoritmos utilizados exibem muitos dos mesmos preconceitos humanos, uma vez que são alimentados através de bases de dados, enviesadas por décadas de desigualdades nos mercados de habitação e empréstimos. Se os bancos não conseguirem arranjar forma de controlar e contrariar este enviesamento, nas decisões de crédito, ameaçam perpetuar o preconceito nas decisões financeiras podendo, com isso, incrementar algum tipo de disparidade ao nível da riqueza pessoal.
O problema do preconceito afeta tanto as start-ups como as empresas incumbentes, nos serviços financeiros. Um estudo de 2018, realizado na UC Berkeley, revela que os algoritmos das fintech cobram 40% menos, em média, aos mutuários membros de classes protegidas do que os credores humanos.
Um research recente da Deloitte demonstra que a avaliação de risco é, ainda, um dos campos onde a inteligência artificial tem menos impacto, dentro dos serviços financeiros.
À pergunta: “Em que parte da cadeia de valor vê o caso de utilização da Inteligência Artificial que desenvolveu a ter maior impacto?” os inquiridos, dentro deste setor, deram as seguintes respostas:
O inquérito também concluiu que, em geral, a adoção de IA nos serviços financeiros está ainda na sua infância. Das empresas inquiridas, 40% estavam a aprender como a IA poderia ser implementada nas suas organizações, 11% não tinham iniciado atividades relacionadas com a IA e apenas 32% estavam a desenvolver ativamente soluções de Inteligência Artificial
Deteção de fraudes
As técnicas de Machine Learning (ML) para a deteção de fraude têm recebido muita publicidade nos últimos anos e têm tido um impacto muito grande nesta indústria, à medida que se passam de técnicas mais tradicionais para soluções baseadas em ML. O surgimento de eventos subtis e ocultos no comportamento do utilizador, indiciadores de uma possível fraude, não evidentes a um humano ou a uma máquina baseada em regras, torna ainda mais interessante o uso das técnicas de ML. O sistema permite a criação de algoritmos que processam grandes conjuntos de dados, com muitas variáveis, e ajudam a encontrar as correlações ocultas entre o comportamento do utilizador e a probabilidade de fraude. Outro ponto forte destes sistemas, em comparação com os baseados em regras, está no processamento de dados mais rápido e com menos trabalho manual. Por exemplo, os algoritmos inteligentes adaptam-se bem à análise de comportamentos para ajudar a reduzir o número de etapas de verificação.
Os consumidores procuram, cada vez mais, bancos e outras instituições financeiras que forneçam contas seguras, especialmente com as perdas por fraude de pagamentos, predominantes nos últimos anos, que deverão atingir os 48 mil milhões de dólares ao ano, até 2023, de acordo com a Insider Intelligence. A IA tem a capacidade de analisar e identificar padrões e irregularidades, que de outra forma passariam despercebidos aos seres humanos.
Uma pesquisa recente constatou que, dentro da indústria dos serviços financeiros, a maioria dos inquiridos afirma que a melhoria na deteção de fraudes é o mais importante avanço trazido pela utilização da inteligência artificial.
Casos de utilização global de IA nos serviços financeiros, em 2020
Robo-advisors
Outra aplicação que tem suscitado largo interesse, junto do público em geral, são os “Robo-advisors”. Estas são plataformas digitais que fornecem serviços de planeamento financeiro automatizado, orientadas por algoritmos, com pouca ou nenhuma supervisão humana. Desta forma, estes programas fornecem “conselhos de investimento” adaptados às necessidades e preferências dos investidores.
A popularidade dos Robo-advisors advém do seu sucesso em democratizar os serviços de consultoria de investimento, tornando-os mais baratos e mais acessíveis a investidores individuais não sofisticados. Estes conselheiros parecem ser particularmente atraentes para investidores jovens e experientes em tecnologia, como a Geração Y (millennials). A IA é a espinha dorsal dos algoritmos de aconselhamento robótico, que dependem fortemente da aplicação de IA em todas as dimensões da gestão de ativos.
Temos o exemplo da JP Morgan que está a desenvolver este tipo de robo-advisors, através de um software com capacidades de Machine Learning, com o objetivo de aumentar a eficiência e a rentabilidade da sua “trading desk”.
Total dos ativos sob gestão por Robo-advisors, em todo o mundo
Como é possível observar, a aposta em Robo-advisors tem crescido bastante nos últimos anos, sendo expectável que os montantes sob gestão continuem a aumentar com os respetivos avanços tecnológicos.
O impacto da Covid-19 na utilização de Inteligência Artificial
A pandemia levou a que as operações comerciais registassem algumas paragens à escala global. Neste sentido, as empresas voltaram-se para a inteligência artificial de modo a preencher as lacunas deixadas pela mão-de-obra reduzida e para reforçar ainda mais as operações de trabalho à distância. Como podemos observar através do gráfico abaixo, a indústria dos Serviços Financeiros foi uma das que mais investiu, em IA, nesta altura.
A maioria dos bancos (80%) está altamente consciente dos potenciais benefícios apresentados pela IA, de acordo com o relatório da Insider Intelligence’s AI in Banking.
A decisão das instituições financeiras em adotar a IA está a ser acelerada pelo avanço tecnológico, pela maior aceitação por parte dos utilizadores e pela mudança dos quadros regulatórios. Os bancos que utilizam IA podem racionalizar processos demorados e melhorar consideravelmente a experiência do cliente, oferecendo acesso 24h por dia às suas contas e serviços de aconselhamento financeiro.
IA vs inteligência humana
Enquanto a inteligência humana procura adaptar-se a novos ambientes, utilizando uma combinação de diferentes processos cognitivos, a Inteligência Artificial visa construir máquinas que conseguem imitar o comportamento humano e realizar ações semelhantes às humanas.
O ser humano usa o poder de computação, a memória e a capacidade de pensar do cérebro, enquanto as máquinas movidas a IA dependem de dados e instruções específicas alimentadas no sistema. Estas máquinas podem aprender com os dados e através de treino contínuo, mas nunca alcançarão o processo de pensamento exclusivo dos humanos. Embora os sistemas de IA já executem muito bem certas tarefas específicas, superando os humanos, pode levar anos para que aprendam um conjunto de funções completamente distintas do habitual, que possibilite a integração da IA numa nova área de aplicação.
A tomada de decisão dos sistemas de IA é principalmente baseada em eventos passados, nos dados pelos quais as máquinas são treinadas, e na relação destes com um determinado evento. As máquinas “inteligentes” não conseguem entender o conceito de “causa e efeito” simplesmente porque carecem de senso comum. Nick Burns, um cientista de dados do SQL Services, diz: “Não importa o quão bons sejam seus modelos, eles são tão bons quanto os seus dados”.
Embora as tecnologias avançadas de IA possam desempenhar algumas tarefas com maior eficácia e precisão, a perícia humana ainda desempenha um papel crítico na conceção e na utilização da tecnologia da IA, moldando a sua adoção e as soluções inovadoras a ela associadas. Os humanos possuem a capacidade única de aprender e aplicar os conhecimentos adquiridos em combinação com lógica, raciocínio e compreensão. É a inteligência humana que procura perguntar “porquê” e considera “e se” através do pensamento crítico, importante para vários cenários do mundo real que requerem abordagens holísticas, lógicas, racionais e emocionais. Ainda que os sistemas de IA sejam elaborados e treinados para imitar e simular o comportamento humano, eles não conseguem tomar decisões racionais como os humanos.
Desvantagens e desafios do uso da IA
Contudo, há também algumas desvantagens no que toca à utilização de IA na gestão de ativos. Os modelos de IA são geralmente opacos e complexos, tornando-os difíceis de serem monitorizados e examinados pelos gestores. A confiança nos modelos e a sensibilidade aos dados pode apresentar uma fonte considerável de risco. Modelos de IA podem ser treinados incorretamente, em resultado do uso de dados de baixa qualidade ou insuficientes. Uma ineficaz supervisão humana pode levar a falhas sistemáticas, à incapacidade para identificar erros de inferência e à falta de compreensão das práticas de investimento e atribuição de desempenho por parte dos investidores.
Os mercados financeiros pertencem a um campo altamente regulamentado, onde passos em falso não são aceitáveis. Assim, todos os modelos têm de passar por um processo muito complexo de revisão antes de começarem a ser utilizados na prática.
Há muitas alegações sobre a utilização de redes neurais para prever o futuro. Apesar destes sistemas poderem prever palavras que alguém procura no Google, por exemplo, são bastante rudimentares e estão longe da complexidade de prever a economia mundial. As Redes Neurais superaram a análise subjetiva, no entanto, as tentativas de prever o futuro dos mercados têm uma taxa de sucesso desanimadora de 33%.
Por outro lado, os sistemas especialistas, que representam grande parte da tecnologia de IA que é utilizada ou desenvolvida, também não permitem alcançar a chamada “Inteligência Artificial Real”. Esta tecnologia equivale simplesmente a tabelas de referência onde se encontram perguntas e respostas predeterminadas por humanos, assumindo relações lineares. Porém, os mercados reais são não lineares e o processo pelo qual eles se movem parece ser aleatório à superfície, causando grandes problemas na modelagem. A verdadeira IA deve explorar e raciocinar por si mesma.
De modo a atingir este objetivo, é mesmo necessário que um computador atinja vida perpétua como um ser artificial que nunca morre e aprenda dos eventos do passado e do presente para prever o futuro. A “Inteligência Artificial Real” é alcançada através da reunião do conhecimento coletivo da raça humana e da aprendizagem, de forma cognitiva, das causas por detrás das tendências reais de ascensão e queda de mercados e economias, de impérios, nações, cidades e estados.
O Machine Learning é usado para prever o futuro em alguns casos, em sistemas que são periódicos e suficientemente estáveis. Para tal, o mais importante é colecionar grandes quantidades de dados passados e assumir que os dados futuros vêm da mesma fonte.
Contudo, há eventos que não são de todo previsíveis, por serem aleatórios, não havendo motivo por detrás desse acontecimento. Com a IA, tenta-se explicar porque algo aconteceu e aplicar o raciocínio a eventos passados e futuros. Mas, como os eventos são aleatórios, há muitos possíveis motivos para um determinado evento ter acontecido. Pode-se tentar adivinhar a parte do puzzle que está em falta, mas não há garantia que esteja correta. Os modelos de ML são excelentes a detetar correlações, mas têm dificuldade em explicar por que um evento deve seguir o outro. Isto é um problema, porque não conseguindo perceber o conceito de “causa e efeito”, as previsões podem estar totalmente erradas.
Assim, gera-se a incerteza sobre a possibilidade de previsão eficaz do futuro do mundo (desde os mercados financeiros, à política ou aos mercados de capitais) através da Inteligência Artificial.
Ainda não subscreveu a nossa Weekly Note? Subscreva aqui.
