Como ampliar a personalização de IA com governança na gestão de patrimônio

A equipe também contribuiu para o desenvolvimento de uma estrutura de avaliação, ferramentas de teste e opções de modelos por meio de provas de conceito em fases e experimentos controlados. A avaliação passou de workshops e ambientes de teste controlados para experimentação prática e pontos de revisão definidos, ajudando as equipes a avaliar o que poderia ser escalonado antes de se comprometerem com uma abordagem de produção. Também foram incorporadas etapas claras de transferência de responsabilidades para que as equipes internas pudessem continuar o desenvolvimento e a iteração sem precisar reiniciar o processo para cada caso de uso. A equipe também ajudou a preparar um conjunto de dados de treinamento selecionado e a aperfeiçoar os modelos para refletir as exigências reais em matéria de políticas e do setor, incluindo a distinção entre informações gerais e orientação financeira personalizada. Nos casos em que surgiram restrições técnicas ou de conformidade, incluindo limitações quanto à reutilização de dados de treinamento entre ferramentas, a abordagem foi adaptada para garantir a conformidade e, ao mesmo tempo, manter o progresso do desenvolvimento mensurável.
 

Recursos de governança e monitoramento foram incorporados ao longo de todo o ciclo de vida do desenvolvimento para proporcionar visibilidade sobre o comportamento do modelo, ao mesmo tempo em que protegem dados confidenciais. Paralelamente, as equipes da EY ajudaram a estabelecer uma estrutura de governança mais orientada para o autoatendimento, que permitiu às equipes de cada área ajustar e implantar recursos de IA dentro de controles definidos de governança, risco e custo. Em conjunto, esses elementos criaram um padrão operacional reutilizável que integrava a seleção de modelos, os testes, a governança, a implantação e o aprimoramento contínuo, em vez de tratar cada caso de uso de IA como um experimento tecnológico isolado. Essa abordagem reflete a visão da ey.ai de ajudar as organizações a ir além de projetos-piloto isolados de IA, combinando tecnologia, dados confiáveis, governança e experiência no setor para criar valor comercial sustentável.

A parceria estabeleceu uma base escalável para a adoção responsável da IA em toda a área de gestão de patrimônio e criou um modelo operacional replicável para futuras implantações de IA. Os primeiros resultados do projeto-piloto demonstraram indicadores antecipados sólidos em termos de qualidade do modelo, latência e governança. Embora o trabalho ainda estivesse em fase piloto, os resultados demonstraram que modelos especializados poderiam melhorar tanto o desempenho técnico quanto a operação prática dos controles de IA em fluxos de trabalho de alta sensibilidade. Isso proporcionou ao cliente uma base mais clara para decidir onde e como ampliar a adoção da IA de forma responsável.
 

O processo estruturado de avaliação e aperfeiçoamento da SLM, estabelecido pela equipe do projeto, permitiu que o cliente definisse indicadores de desempenho claros para casos de uso específicos de IA. Uma vez estabelecidos os critérios de avaliação e as métricas de sucesso, um conjunto específico de modelos foi testado e aprimorado utilizando dados específicos do cliente, no ambiente tecnológico controlado por ele. O resultado foi um conjunto de modelos proprietários projetados para atender aos requisitos da organização em termos de desempenho, capacidade de resposta, eficiência de custos e privacidade de dados, mantendo-se, ao mesmo tempo, alinhados às expectativas de governança e conformidade.
 

Em casos de uso de detecção na área de consultoria financeira, os SLMs especializados demonstraram desempenho superior tanto às abordagens tradicionais baseadas em regras quanto aos modelos de referência de uso geral em cenários de teste alinhados às políticas, melhorando a precisão das classificações vinculadas aos requisitos regulatórios. As classificações aprimoradas foram especialmente relevantes para definições de políticas mais sutis, nas quais os modelos genéricos tendiam a classificar em excesso ou de forma insuficiente. Do ponto de vista operacional, a redução dos falsos positivos pode ajudar a evitar atritos desnecessários nos processos de revisão, enquanto a redução dos falsos negativos pode fortalecer a identificação de possíveis riscos de conformidade. O desempenho também melhorou significativamente, com testes iniciais indicando uma latência até 10 vezes menor do que as abordagens anteriores centradas em grandes modelos de linguagem (LLM). Essa melhoria possibilitou interações mais ágeis com os clientes e uma aplicação mais eficiente das medidas de proteção da IA no âmbito do processo de solicitação.