Da pontuação ao raciocínio: operacionalizando a IA confiável com Cloudera, NVIDIA e Dell Technologies para serviços financeiros.

A IA empresarial ultrapassou um marco importante nos últimos dois anos. A discussão não é mais sobre se a IA funciona ou quais modelos avaliar; trata-se de como implantá-la em produção de forma confiável, operá-la em escala e responder por cada decisão que ela toma. As questões que ocupam os líderes de TI e de negócios hoje são operacionais. Onde as cargas de trabalho de IA devem residir, como devem se conectar aos dados que as tornam úteis e como a organização pode manter o controle das respostas produzidas pela IA?

Por trás dessa mudança operacional há uma mudança mais profunda. Para as empresas de serviços financeiros que gerenciam a detecção de fraudes e o risco de crédito, as primeiras implementações de IA se concentravam em previsões isoladas e resultados binários. Os requisitos atuais exigem sistemas capazes de raciocinar com base em várias fontes de dados, explicar suas decisões e tomar ações coordenadas instantaneamente. Essa mudança da pontuação para o raciocínio está reformulando a maneira como as organizações abordam seus fluxos de trabalho de maior impacto.

Essa mudança exige uma base diferente. Dados confiáveis nos quais a IA possa se basear, infraestrutura de IA desenvolvida especificamente para esse fim ou fábricas de IA capazes de fornecer inferência em tempo real em escala, e a capacidade de manter dados confidenciais em ambientes soberanos e seguros. A Cloudera AI, acelerada pela NVIDIA e implantada na infraestrutura da Dell Technologies, oferece às empresas uma base prática para este momento, tendo os serviços financeiros como um exemplo de destaque e uma proposta de valor que se estende a qualquer organização que esteja levando a IA do piloto à produção.

Da experimentação à operação

Uma pesquisa do Enterprise Strategy Group, agora parte da Omdia, indica que 78% das organizações de serviços financeiros consideram os agentes de IA uma prioridade alta ou muito alta em comparação com outras iniciativas de IA. Essa elevação não é exclusiva dos serviços financeiros. Em todos os setores regulamentados, a IA deixou de ser tema de projetos experimentais e passou a ser uma prioridade no nível do conselho, com foco nos processos de negócios de maior impacto. O combate à lavagem de dinheiro, a concessão de crédito, a gestão de riscos e a detecção de fraudes estão entre os principais casos de uso, mas o mesmo padrão se aplica aos setores de saúde, telecomunicações, setor público e manufatura.

A mesma pesquisa evidencia obstáculos. 51% das organizações de serviços financeiros apontam preocupações com a privacidade dos dados e o tratamento de informações sensíveis ao usar agentes de IA. 45% demonstram preocupação com a imprecisão na tomada de decisões dos agentes de IA. Essas não são hesitações quanto à adoção próprias da era da experimentação. São requisitos operacionais que qualquer sistema de IA em produção precisa satisfazer, e as escolhas arquitetônicas feitas hoje apoiarão ou prejudicarão esses requisitos por anos.

Uma nova arquitetura: da pontuação ao raciocínio

O aprendizado de máquina tradicional continua oferecendo enorme valor para a pontuação em alto volume e alta velocidade. Modelos treinados com dados estruturados avaliam transações em menos de 50 milissegundos e identificam anomalias em escala. O aprendizado de máquina não é bom em explicar a si mesmo. Uma pontuação informa ao investigador o que aconteceu. Ela não informa o motivo nem fornece ao revisor humano o contexto para tomar uma decisão com confiança.

A IA generativa preenche essa lacuna. Grandes modelos de linguagem podem consumir milhares de páginas de documentos, extrair sinais relevantes e gerar resumos narrativos que explicam situações complexas em linguagem simples. Para um caso de fraude, a IA generativa produz um resumo de investigação que contextualiza por que uma transação foi sinalizada. Para uma decisão de crédito, ela elabora um memorando preliminar que sintetiza dados financeiros estruturados, inteligência de mercado e análises não estruturadas.

A IA agêntica orquestra esses recursos em fluxos de trabalho coordenados. Em vez de pedir para analistas humanos reunirem informações de sistemas desconectados, os agentes buscam dados relevantes, acionam modelos apropriados e elaboram uma avaliação abrangente de forma autônoma. Essa avaliação, por sua vez, é analisada por uma pessoa, que tomar as medidas cabíveis com base nela. O resultado são decisões mais rápidas e desfechos mais bem explicados, com a pessoa mantendo o controle sobre a decisão final. Essa é a arquitetura que a NVIDIA chama de Fábrica de IA para serviços financeiros: um sistema full-stack, pronto para produção, no qual agentes de IA governados e de alto desempenho atuam em fluxos de trabalho financeiros essenciais, desde a detecção de fraudes e a análise de crédito até a modelagem de risco e a inteligência sobre clientes, transformando data centers tradicionais em ambientes de escala industrial para a produção de inteligência.

Onde a IA pertence: junto aos dados

A pergunta operacional mais decisiva para a IA empresarial também é a mais simples. Onde a IA deve ser executada? A resposta está cada vez mais clara. A IA gera o maior valor para os negócios quando é executada onde seus dados estão, seja no local, na nuvem ou em ambientes híbridos. Para as instituições financeiras, isso não é uma preferência arquitetônica; é um imperativo regulatório e competitivo. Bancos e provedores de pagamento que treinam modelos personalizados, adaptados ao domínio, com seus próprios dados proprietários de transações constroem um ativo de inteligência que os concorrentes não conseguem replicar. A Cloudera permite implantar IA onde quer que os dados estejam. 

O que muda quando a IA opera junto aos dados empresariais é a qualidade do contexto. Uma pontuação de risco isolada é um número. Uma pontuação de risco com acesso total às transações recentes, ao histórico do cliente, aos sinais dos dispositivos e ao comportamento da conta se torna uma recomendação contextualizada que permite a uma pessoa agir com confiança. Essa profundidade contextual, a capacidade de extrair sinais preventivos dos conjuntos de dados multimodais que as instituições financeiras já possuem, é o que diferencia as instituições que desenvolvem inteligência proprietária de IA daquelas que dependem de modelos genéricos.  

Cloudera AI, acelerada pela NVIDIA, na Dell Technologies para serviços financeiros

A Cloudera fornece a base de dados confiável. A plataforma híbrida de dados e IA da Cloudera unifica dados estruturados e dados não estruturados em uma arquitetura aberta de Lakehouse. O Data in Motion da Cloudera captura fluxos de dados em tempo real junto com dados históricos, enquanto o Shared Data Experience oferece governança e segurança consistentes em ambientes locais, de nuvem privada e de nuvem pública. A plataforma foi projetada para manter dados confidenciais dentro de sua jurisdição, ao mesmo tempo que os disponibiliza aos sistemas de IA que precisam deles.

A NVIDIA acelera o pipeline de IA por meio de uma plataforma full-stack de fábrica de IA. GPUs NVIDIA Blackwell reduzem o tempo de treinamento de machine learning tradicional e possibilitam inferência em larga escala para redes neurais e modelos de linguagem. Para a modelagem de risco, a aceleração da NVIDIA transforma simulações que antes eram executadas durante a noite em análises quase em tempo real. Cloudera AI Inference, com tecnologia NVIDIA, permite que as organizações implantem e escalem modelos em instalações locais, com a plataforma de IA da NVIDIA, que inclui NVIDIA Nemotron, a família de modelos abertos e adaptáveis a domínios da NVIDIA, que as instituições podem ajustar com seus próprios dados proprietários, o NVIDIA Dynamo-Triton Inference Server e o NVIDIA AI Enterprise, o sistema operacional da AI Factory, que oferece microsserviços NIM para inferência otimizada de baixa latência e o NeMo para criar e ajustar modelos personalizados. O modelo NVIDIA AI para detecção de fraudes financeiras baseia-se em redes neurais gráficas e no exemplo para desenvolvedores Crie seu próprio modelo fundamental de transações. Os modelos estão disponíveis na NVIDIA e oferecem às organizações um ponto de partida concreto para criar aplicações de IA com dados financeiros.

A Dell Technologies fornece a infraestrutura corporativa que integra a solução. Os servidores Dell PowerEdge configurados com GPUs NVIDIA Blackwell oferecem a densidade computacional que as exigentes cargas de trabalho de IA requerem, mantendo essa computação no mesmo ambiente físico que os dados confidenciais nos quais ela opera. Em conjunto, essa solução pode proporcionar um custo total de propriedade substancialmente menor do que a inferência equivalente na nuvem pública, com custos previsíveis que escalam com o uso, e não contra ele.

Dois casos de uso em ação: detecção de fraude e risco de crédito

Os serviços financeiros ilustram o valor dessa arquitetura. Na detecção de fraudes em tempo real, a Cloudera capta transações juntamente com o histórico de interações dos clientes, metadados dos dispositivos e sinais comportamentais. Os modelos de base para transações, que são sistemas de IA baseados em transformers e treinados com bilhões de eventos financeiros, interpretam o comportamento levando em conta o contexto, em que o momento, o dispositivo, a localização e as atividades anteriores moldam o significado. Por exemplo, um pagamento à meia-noite tem um significado diferente quando é o quarto pagamento em dez minutos, feito em um dispositivo desconhecido, em uma cidade na qual o cliente nunca havia realizado transações. Modelos de machine learning acelerados pela NVIDIA, como o Nemotron ou modelos de base de código aberto, avaliam cada transação dentro dos limites de latência exigidos pelas redes de pagamento instantâneo. Quando uma transação é sinalizada, um fluxo de trabalho agêntico na Cloudera AI obtém o contexto relevante, e um modelo de linguagem gera um arquivo do caso com uma explicação em linguagem natural dos fatores de risco. O investigador não recebe mais uma pontuação e uma carga de trabalho. Ele recebe um resumo preliminar da investigação e uma decisão mais rápida e mais bem fundamentada.

A avaliação de risco de crédito apresenta a mesma mudança. As pontuações dos birôs de crédito e o histórico estruturado de pagamentos sempre foram limitados. As informações não estruturadas que poderiam enriquecer uma decisão de crédito, incluindo demonstrações financeiras, análises de mercado e notícias, historicamente exigiram muito trabalho para serem incorporadas em escala. A plataforma combinada unifica essas fontes em um Lakehouse governado, utiliza simulações de Monte Carlo aceleradas pela NVIDIA e modelagem de risco — cargas de trabalho que a plataforma full-stack da NVIDIA executa por uma fração do custo da infraestrutura legada —, aproveita a aceleração da NVIDIA para executar simulações sofisticadas que antes prolongariam os prazos de decisão e produz memorandos de crédito preliminares que os agentes de crédito refinam, em vez de redigir do zero.

A mesma lógica se aplica à regulação de sinistros no setor de seguros, ao suporte à decisão clínica na área da saúde, aos riscos da cadeia de suprimentos na manufatura e às operações de inteligência no setor público. O caso de uso varia de acordo com o setor. A arquitetura não.

Do insight ao resultado

As organizações que adotam essa abordagem observam um conjunto consistente de resultados:

• Decisões mais rápidas nos fluxos de trabalho mais importantes, com inferência em menos de 50 milissegundos para pontuação em tempo real e ciclos drasticamente reduzidos para cargas de trabalho analíticas

• Decisões mais bem explicadas, respaldadas por linhagem de dados, contexto e metadados de negócios que atendem tanto à revisão interna quanto ao escrutínio regulatório

• Menor custo total de propriedade em comparação com a inferência na nuvem pública, com custos previsíveis à medida que o uso aumenta

• Risco reduzido por meio do alinhamento arquitetônico aos requisitos de soberania de dados, compliance e governança

Esses benefícios se acumulam. A mesma arquitetura que viabiliza a IA operacional hoje se torna a base para a próxima geração de agentes, o próximo conjunto de casos de uso e a próxima fase da automação, sem reconstruir a camada subjacente de dados e governança.

O caminho dos serviços financeiros rumo à IA operacional

A próxima fase da IA empresarial será definida menos pela capacidade dos modelos e mais pela disciplina operacional. As instituições que terão sucesso serão aquelas que evoluírem de uma abordagem centrada em dados para uma centrada em inteligência, desenvolvendo IA proprietária com base em seus próprios dados, implementando-a em ambientes seguros e soberanos e governando-a com a auditabilidade exigida por reguladores e comitês de risco. A Cloudera AI, acelerada pela NVIDIA e implantada na infraestrutura da Dell Technologies, oferece às empresas um caminho prático para chegar a esse destino, mudando a conversa do que a IA pode fazer para o que ela está fazendo todos os dias nos sistemas mais importantes.

Para saber mais, faça o download de: Resumo de apresentação da Omdia sobre detecção de fraudes e avaliação de risco de crédito com Cloudera AI, acelerada pela NVIDIA na Dell Technologies e webinar sob demanda da BrightTALK.