En el entorno financiero de Amazon, los analistas se enfrentan a una creciente complejidad en los procesos de planificación y análisis financiero. El manejo de vastos conjuntos de datos que abarcan múltiples sistemas y unidades de negocio presenta serios desafíos. En primer lugar, los analistas invierten una cantidad significativa de tiempo navegando manualmente por catálogos de datos y conciliando información de fuentes dispares, lo que reduce su capacidad para generar análisis valiosos. Además, los datos históricos y las decisiones empresariales anteriores se encuentran a menudo en documentos y sistemas legados, dificultando el uso de aprendizajes previos durante los ciclos de planificación. Por otro lado, la rápida evolución del contexto empresarial requiere que los analistas tengan acceso inmediato a métricas relevantes y a datos financieros que respalden la toma de decisiones basadas en datos.
Las herramientas y procesos tradicionales no logran abordar estas problemáticas de manera efectiva. Las búsquedas basadas en palabras clave a menudo pasan por alto las relaciones contextuales en los datos financieros, mientras que las estructuras rígidas de consulta limitan la capacidad de los analistas para explorar los datos de forma dinámica. Además, la falta de preservación del conocimiento institucional significa que los conocimientos y razonamientos sobre decisiones valiosas a menudo quedan aislados o se pierden con el tiempo, lo que lleva a análisis redundantes e inconsistencias en las suposiciones de planificación entre equipos. Este conjunto de desafíos impacta significativamente la eficiencia de la planificación financiera, la agilidad en la toma de decisiones y la calidad general de las percepciones empresariales.
Para superar estas dificultades, el equipo técnico de Amazon Finance ha desarrollado una solución integrada impulsada por inteligencia artificial, empleando Amazon Bedrock y Amazon Kendra. Esta solución consiste en un asistente potenciado por IA que permite a los analistas interactuar con fuentes de datos financieros a través de consultas en lenguaje natural, minimizando la necesidad de búsquedas manuales complejas. El asistente accede a una base de conocimientos comprensiva de documentos financieros, datos históricos y contexto empresarial, proporcionando respuestas relevantes mientras se mantienen altos estándares de seguridad.
La metodología del asistente se basa en dos componentes clave: recuperación inteligente y generación aumentada. El sistema de recuperación utiliza almacenes vectoriales que permiten búsquedas semánticas al convertir consultas de usuario en representaciones vectoriales. Sobre esta base, la generación aumentada crea respuestas precisas y contextualizadas, mejorando así la precisión factual. Este enfoque reduce las «alucinaciones» comunes en modelos de lenguaje tradicionales y asegura que las respuestas sean coherentes con el conocimiento organizacional verificado.
La efectividad de esta solución ha sido corroborada mediante un marco de evaluación exhaustivo que midió tanto métricas cuantitativas como cualitativas. Durante las pruebas, se constató que el tiempo de búsqueda se había reducido en un 30% y la precisión de los resultados de búsqueda había aumentado en un 80%. El nuevo asistente ha demostrado ser exencial en la simplificación de la interacción con datos complejos, permitiendo a los usuarios realizar consultas en lenguaje natural que resultan en respuestas precisas y contextualizadas.
En conclusión, la solución del asistente impulsado por IA ha transformado significativamente la forma en que los analistas financieros gestionan y exploran datos, mejorando la eficiencia y la calidad de las decisiones en el proceso. La implementación de esta tecnología no solo ha facilitado el acceso a información crítica de manera rápida, sino que también ha creado un entorno en el que los analistas pueden confiar en el sistema para generar información útil y precisa en tiempo real.
vía: AWS machine learning blog
