Aprende cómo la IA generativa puede generar evaluaciones de riesgos detalladas y cómo MongoDB permite un análisis integral del riesgo crediticio.
caso de uso: Gen IA, Préstamos y arrendamiento financiero
Industrias: Servicios Financieros
Productos y herramientas: MongoDB Atlas, Datos geoespaciales
Socios: API de Google Maps, Fireworks.ai
Descripción general de la solución
Los préstamos a empresas son importantes para las operaciones bancarias y aportan beneficios significativos a las instituciones financieras y a las economías. Por ejemplo, en 2023, el valor de los préstamos comerciales e industriales en los Estados Unidos alcanzó casi $2.8 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 las metas y la rentabilidad del negocio. Sin embargo, revisar la información crediticia del prestatario es un desafío para los gestores de préstamos debido a las limitaciones de tiempo y la complejidad del material. Además, los préstamos en sí presentan riesgos para los bancos, como riesgos crediticios en el caso de que el prestatario incumpla o cuando las recesiones económicas tienen un impacto en la capacidad de los prestatarios para pagar los préstamos.
Esta solución utiliza MongoDB y IA generativa (IA generativa) para analizar planes de negocios y generar análisis detallados de riesgo para préstamos comerciales. Utiliza MongoDB para almacenar datos contextuales que se utilizan para impulsar un chatbot de IA sobre el que puedes query evaluaciones de riesgos específicas.
Análisis interactivo de riesgos con chatbots de IA generativa
La figura 1 a continuación muestra un ejemplo de cómo ChatGPT-4o Responde cuando se le pide que evalúe el riesgo de un préstamo comercial. Aunque introducir el propósito del préstamo y la descripción del negocio es sencillo, 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, los prestamistas pueden explorar factores de riesgo adicionales que la IA Generativa puede evaluar, como el riesgo de desastres naturales o el riesgo climático más amplio. En la Figura 2, el usuario agrega específicamente el riesgo de inundación como un factor a la pregunta anterior.
Figura 2. Ejemplo de un ChatGPT-4.0 respuesta al riesgo de inundación como factor
Según la respuesta, existe un bajo riesgo de inundación. Sin embargo, sugirió revisar los mapas de inundación de FEMA y el historial local de inundaciones, lo que indica que podría no tener la información más reciente. Para validar la información, puedes preguntar a ChatGPT-4o la misma pregunta formulada de una manera diferente, centrándote en su conocimiento sobre datos de inundaciones. Consulte la Figura 3 para ver un ejemplo de esta pregunta y respuesta.
Figura 3. Ejemplo de pregunta sobre inundaciones de ubicación
En la query mostrada, ChatGPT-4o ahora indica que se ha producido una "inundación significativa" cerca y proporciona referencias como prueba, después de realizar una búsqueda en Internet en cuatro sitios, cosa que antes no hacía.
Cuando ChatGPT-4o no tiene los datos relevantes, comienza a hacer afirmaciones falsas o alucinaciones, como cuando indicó un bajo riesgo de inundación en las dos primeras búsquedas debido a la falta de información. Sin embargo, también puede reconocer y buscar de manera inteligente fuentes de datos adicionales para llenar sus lagunas de conocimiento.
Se realizó una prueba similar en Llama 3, la cual es alojada por el socio MAAP de MongoDB Fireworks.AI. El experimento evaluó los conocimientos de Llama 3 sobre datos de inundaciones, lo que mostró una brecha de conocimiento similar a ChatGPT-4o. Sin embargo, en lugar de proporcionar respuestas erróneas, Llama 3 proporcionó una lista alucinada de datos de inundación pero resaltó que “estos datos son ficticios y solo para fines demostrativos.”
Figura 4. Respuesta de LLM a ubicaciones ficticias de inundaciones
generación de recuperación aumentada (RAG) Análisis de riesgos
Si bien la IA Generativa puede mejorar el análisis de préstamos empresariales, la interacción con un chatbot requiere que los oficiales de préstamos den instrucciones repetidas al bot y complementen sus preguntas con información relevante. Esto puede ser lento e impráctico debido a la falta de habilidades en prompt-engineering o los datos necesarios.
Esta solución utiliza IA generativa para optimizar el proceso de análisis de riesgos y cubrir la laguna de conocimiento del LLM. Utilizar MongoDB para almacenar datos y consultas geoespaciales para detectar inundaciones a menos de cinco kilómetros de la ubicación comercial propuesta.
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 evaluación del riesgo crediticio
Cuando envía su entrada, la demo proporciona un análisis de riesgos usando RAG. Utiliza prompt engineering para proporcionar un análisis simplificado del negocio teniendo en cuenta la ubicación y el riesgo de inundación que se ha descargado de fuentes externas de datos de inundaciones.
Figura 6. Respuesta a riesgos crediticios con una arquitectura RAG
Puede revelar todas las ubicaciones de muestra de inundación haciendo clic en el icono de "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 hace query la información sobre inundaciones.
Figura 7. Ubicaciones de inundación mostradas en la demostración
Arquitecturas de Referencia
El siguiente diagrama proporciona una visión general de la arquitectura de esta solución:
Figura 8. Diagrama de arquitectura del flujo de datos RAG
Con MongoDB, los desarrolladores pueden mejorar el proceso RAG utilizando características como gráficos de red, colecciones de series de tiempo y búsqueda vectorial. Esto, a su vez, mejora el contexto para el agente de IA Gen, como el uso de datos geoespaciales para identificar ubicaciones con riesgo de inundación, lo que reduce las alucinaciones.
La naturaleza iterativa del proceso del RAG permite que el modelo aprenda y mejore continuamente a partir de nuevos datos y comentarios, lo que finalmente conduce a evaluaciones de riesgos cada vez más precisas y a menos alucinaciones.
Enfoque de modelo de datos
El de código que aparece a continuación es un de una geoespacial. Este ejemplo utiliza la etapa de agregación $geoNear, que permite al usuario recuperar todas las ubicaciones dentro de una distancia determinada de un punto especificado por la longitud y la latitud. Puedes utilizar un pipeline de agregación para incluir otras operaciones de procesamiento de datos, como seleccionar campos específicos utilizando $project, o filtrar según ciertas condiciones utilizando $match.
Los datos utilizados en esta demostración se obtienen de la Base de Datos de Inundaciones de los Estados Unidos, que contiene múltiples fuentes, siendo 2020 el conjunto de datos más reciente.
pipeline = [ {"$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}}} ]
Compilar la solución
El código para mostrar todas las funcionalidades de MongoDB para construir esta solución está disponible en el siguiente repositorio de Github.
Autores
Wei You Pan, Director Global, Soluciones para la Industria Financiera, MongoDB