La inteligencia artificial al servicio del sector bancario
En el mundo actual, las empresas están recurriendo cada vez más al aprendizaje automático (ML) para optimizar sus funciones y obtener ventajas competitivas. El aprendizaje automático ofrece una promesa significativa de incrementar los ingresos, fomentar el crecimiento empresarial y reducir costos a través de la optimización de funciones clave como la previsión de oferta y demanda, la predicción de la rotación de clientes, la puntuación de riesgo crediticio y el pronóstico de entregas tardías, entre otros.
Sin embargo, el desarrollo de ciclos convencionales de ML puede ser un proceso que lleve desde semanas hasta varios meses, además de requerir un entendimiento profundo de la ciencia de datos y habilidades de desarrollo en ML. Esto suele resultar en un retraso prolongado de las ideas de los analistas de negocio que buscan implementar modelos de ML, debido a la capacidad limitada de los equipos de ingeniería de datos y ciencia de datos y las actividades de preparación de datos necesarias.
Una reciente implementación en una institución bancaria ha demostrado cómo un analista financiero o de negocios puede predecir fácilmente el estado de pago de un préstamo utilizando un modelo de aprendizaje automático, sin necesidad de convertirse en un experto del área. Gracias a una serie de herramientas avanzadas, el analista puede recopilar la información necesaria, limpiar y completar los datos faltantes usando lenguaje natural, para finalmente desarrollar y desplegar un modelo de ML que prediga con precisión el estado del préstamo.
Amazon SageMaker Canvas, una plataforma web con interfaz visual para crear, probar y desplegar flujos de trabajo de ML, facilita este proceso. La herramienta, en combinación con Amazon Redshift, un servicio de almacenamiento de datos a gran escala, y Amazon QuickSight, una solución de inteligencia empresarial, permite a las organizaciones analizar datos de manera efectiva y crear paneles de información visual rápidamente.
El flujo de trabajo comienza cuando el analista de negocios accede a SageMaker Canvas y se conecta al almacén de datos en Amazon Redshift para extraer la información necesaria. Luego, utiliza SageMaker Canvas para construir un modelo de análisis predictivo. Después de que el modelo es desarrollado, los resultados de las predicciones se envían a QuickSight para un análisis más detallado.
Esta integración no solo permite a las organizaciones acelerar la creación de soluciones de ML más robustas, sino que también libera a los científicos e ingenieros de ML para que se concentren en afinar y ampliar los modelos en lugar de lidiar con los aspectos técnicos del montaje de datos. En última instancia, este enfoque permite a los analistas de negocios ofrecer valiosos insights sin necesidad de profundos conocimientos técnicos en ciencia de datos o algoritmos de ML, llegando a decisiones más rápidas y efectivas.
La utilización de ML en el sector bancario es solo un ejemplo de cómo las tecnologías emergentes están transformando las operaciones empresariales, ofreciendo herramientas que democratizan el acceso a la inteligencia artificial y datos avanzados tanto a expertos como a analistas que buscan maximizar el potencial de su información.
vía: AWS machine learning blog
