Aprende cómo la IA generativa puede generar evaluaciones de riesgos detalladas y cómo MongoDB permite un análisis integral del riesgo crediticio.
Casos de uso: Gen AI, préstamos y arrendamientos
Industrias: Servicios financieros
Productos y herramientas: MongoDB Atlas, Datos geoespaciales
Resumen de la solución
Los préstamos comerciales son importantes para las operaciones bancarias y brindan beneficios significativos a las instituciones financieras y las economías. Por ejemplo, en,2023 el valor de los préstamos comerciales e industriales en Estados Unidos alcanzó casi los 80002.8 billones de dólares. Los préstamos implican un plan de negocios que detalla los planes y las proyecciones financieras del prestatario, y ayuda a los prestamistas a evaluar los objetivos y la rentabilidad del negocio. Sin embargo, la lectura de la información crediticia del prestatario es un desafío para los asesores de crédito debido a las limitaciones de tiempo y la complejidad del material. Además, los préstamos en sí mismos presentan riesgos para los bancos, como riesgos crediticios en caso de impago del prestatario o cuando las recesiones económicas afectan su capacidad para reembolsar los préstamos.
Esta solución utiliza MongoDB e IA Generativa (Gen AI) para analizar planes de negocio y generar evaluaciones de riesgo detalladas para préstamos empresariales. Utiliza MongoDB para almacenar datos contextuales que se utilizan para impulsar un chatbot de IA al que se pueden realizar consultas sobre evaluaciones de riesgo específicas.
Análisis de riesgos interactivo con chatbots basados en IA generativa
La Figura 1 a continuación muestra un ejemplo de cómo responde ChatGPT-4o cuando se le solicita que evalúe el riesgo de un préstamo comercial. Aunque la introducción del propósito del préstamo y la descripción del negocio es sencilla, la IA Generativa ofrece un análisis detallado.
Figura 1. Ejemplo de una respuesta de ChatGPT-4.0 para la evaluación de riesgo de préstamos comerciales
Al aplicar la IA Generativa a las evaluaciones de riesgos, las entidades crediticias pueden explorar factores de riesgo adicionales que la IA Generativa puede evaluar, como el riesgo de desastres naturales o el riesgo climático en general. En la Figura 2, el usuario añade específicamente el riesgo de inundación como factor a la pregunta anterior.
Figura 2. Ejemplo de una respuesta de ChatGPT-4.0 al riesgo de inundación como factor
Según la respuesta, el riesgo de inundación es bajo. Sin embargo, sugirió revisar los mapas de inundaciones de FEMA y el historial local de inundaciones, lo que indica que podría no contar con la información más reciente. Para validar la información, puede formularle a ChatGPT-4la misma pregunta, pero de forma diferente, centrándose en su conocimiento de los datos sobre inundaciones. Consulte la Figura 3 para ver un ejemplo de esta pregunta y respuesta.
Figura 3. Ejemplo de una pregunta sobre inundaciones en una ubicación específica.
En la consulta mostrada, ChatGPT-4o ahora indica que hubo “inundaciones significativas” cerca y proporciona referencias a evidencia, después de realizar una búsqueda en Internet en cuatro sitios, lo que no realizó anteriormente.
Cuando ChatGPT-4o no cuenta con los datos relevantes, empieza a hacer afirmaciones falsas o alucinaciones, como cuando indicó un bajo riesgo de inundación en las dos primeras consultas debido a la falta de información. Sin embargo, también puede reconocer y buscar inteligentemente fuentes de datos adicionales para completar sus lagunas de conocimiento.
Se realizó una prueba similar en Llama,3 alojado por Fireworks.AI, socio de MAAP de MongoDB. El experimento puso 3 a prueba el conocimiento de Llama sobre datos de inundaciones, que mostró una brecha de conocimiento similar a la de ChatGPT-4o. Sin embargo, en lugar de proporcionar respuestas engañosas, Llama 3 proporcionó una lista de datos de inundaciones que parecía alucinante, pero destacó que «estos datos son ficticios y solo se utilizan con fines demostrativos».
Figura 4. Respuesta de LLM a lugares de inundación ficticios
Recuperación-Generación Aumentada (RAG) Análisis de riesgos
Si bien la Gen AI puede optimizar el análisis de préstamos comerciales, interactuar con un chatbot requiere que los asesores de crédito le den indicaciones repetidas y complementen sus preguntas con información relevante. Esto puede ser lento y poco práctico debido a la falta de habilidades de ingeniería rápida o de los datos necesarios.
Esta solución utiliza Gen AI para optimizar el proceso de análisis de riesgos y cubrir la brecha de conocimiento del LLM. Utiliza MongoDB para almacenar datos y consultas geoespaciales para detectar inundaciones en un radio de cinco kilómetros de la ubicación propuesta del negocio.
En esta demostración, seleccione una ubicación empresarial, un propósito de negocio y una descripción de un plan empresarial. También se incluye un botón "Ejemplo" para que pueda generar una breve descripción empresarial.
Figura 5. Entrada del usuario para la demostración de la evaluación del riesgo del préstamo.
Al enviar su información, la demostración proporciona un análisis de riesgos con RAG. Utiliza ingeniería rápida para ofrecer un análisis simplificado del negocio, considerando la ubicación y el riesgo de inundación descargado de fuentes externas de datos sobre inundaciones.
Figura 6. Respuesta al riesgo crediticio con una arquitectura RAG
Puede ver todas las ubicaciones de inundación de muestra haciendo clic en el icono "Pin" en la demostración. En la imagen, los pines de geolocalización representan la ubicación de la inundación y el círculo azul indica el radio de cinco kilómetros en el que se consultan los datos de inundación.
Figura 7. Ubicaciones de inundación mostradas en la demostración
Arquitecturas de Referencia
El siguiente diagrama proporciona una descripción general de la arquitectura de esta solución:
Figura 8. Diagrama de arquitectura del flujo de datos RAG
Con MongoDB, los desarrolladores pueden optimizar el proceso RAG mediante funciones como gráficos de red, colecciones de series temporales y búsqueda vectorial. Esto, a su vez, mejora el contexto del agente Gen AI, por ejemplo, al usar datos geoespaciales para identificar ubicaciones con riesgo de inundación, lo que reduce las alucinaciones.
La naturaleza iterativa del proceso RAG permite que el modelo aprenda y mejore continuamente a partir de nuevos datos y comentarios, lo que eventualmente conduce a evaluaciones de riesgo cada vez más precisas y menos alucinaciones.
Enfoque del modelo de datos
El siguiente fragmento de código es un ejemplo de una consulta geoespacial. Este ejemplo utiliza la etapa de agregación $geoNear, que permite al usuario obtener todas las ubicaciones dentro de una distancia dada de un punto especificado por longitud y latitud. Puede usar una canalización de agregación para incluir otras operaciones de procesamiento de datos, como la selección de campos específicos con $project o el filtrado según ciertas condiciones con $match.
Los datos utilizados en esta demostración se extraen de la base de datos de inundaciones de Estados Unidos, que contiene múltiples fuentes, siendo 2020 el conjunto de datos más reciente.
pipeline = [ {"$geoNear": {"near": {"type": "Point", "coordinates": [longitude, latitude]}, "distanceField": "DISTANCE", "spherical": True, "maxDistance": radius * 1000}}, {"$project": {"year": 1, "COORD": 1, "DISTANCE": 1}}, {"$match": {"year": {"$gte": 2016}}} ]
Construir la solución
El código para demostrar todas las características de MongoDB para construir esta solución está disponible en el siguiente repositorio de GitHub.
Autores
Wei You Pan, Director Global de Soluciones para la Industria Financiera de MongoDB