Saiba como a IA generativa pode gerar avaliações de risco detalhadas e como o MongoDB permite uma análise abrangente do risco de crédito.
Casos de uso: Gen AI, Empréstimos e locação
Setores: serviços financeiros
Produtos e FERRAMENTAS: MongoDB Atlas, Dados geoespaciais
Parceiros: API do Google Maps, Fireworks.ai
Visão Geral da Solução
Os créditos empresariais são importantes para as operações bancárias e oferecem benefícios significativos para as bancos e bancos. Por exemplo, em 2023, o valor dos créditos comerciais e empresariais nos Estados Unidos atingiu quase US$2.8 triliões. Os créditos envolvem um plano de negócios, que detalha os planos e as projeções financeiros do devedor e ajuda os bancos a avaliar as metas e a lucratividade do negócio. No entanto, a leitura das informações de crédito do devedor é um desafio para os oficiais de crédito, devido às restrições de tempo e à complexidade do material. Além disso, os próprios créditos apresentam riscos para os bancos, como riscos de crédito quando o devedor inadimplente, ou quando desacelerações econômicas impacto a capacidade dos tomadores de pagar os créditos.
Essa solução usa MongoDB e IA generativa (Gen AI) para analisar planos de negócios e gerar avaliações de risco detalhadas para crédito empresarial. Ele usa o MongoDB para armazenar dados contextuais que são usados para alimentar um chatbot de IA que você pode consultar sobre avaliações de risco específicas.
Análise interativa de riscos utilizando chatbots com tecnologia de AI Generativa
A figura 1 abaixo mostra um exemplo de como o ChartGPT-4o responde quando você solicita que avalie o risco de um crédito empresarial. Embora a entrada da finalidade do crédito e da descrição do negócio seja simples, a IA generativa oferece uma análise detalhada.
Figura 1. Exemplo de uma resposta do ChatGPT-4.0 para avaliação de risco de empréstimo empresarial
Ao aplicar a IA generativa às avaliações de risco, os bancos podem explorar fatores de risco adicionais que a IA generativa pode avaliar, como o risco de desastres naturais ou o risco climático mais amplo. Na figura 2, o usuário adiciona especificamente o risco de cheia como um fator à pergunta anterior.
Figura 2. Exemplo de uma resposta do ChatGPT-4.0 ao risco de inundações como fator
Com base na resposta, há um baixo risco de cheia. No entanto, ele sugere revisar os mapas de cheias da FMA e o histórico local de cheias, indicando que pode não ter as informações mais recentes. Para validar as informações, você pode fazer ao chatGPT-4a mesma pergunta redigida de uma forma diferente, concentrando-se em seu conhecimento dos dados de cheia. Consulte a figura 3 para ver um exemplo dessa pergunta e resposta.
Figura 3. Exemplo de pergunta sobre inundação com localização específica
Na consulta exibida, o ChartGPT-4o agora indica que houve uma "inundação significativa" nas redondezas e fornece referências a provas, depois de realizar uma pesquisa na Internet em quatro locais, o que não foi realizado anteriormente.
Quando oChatGPT-4o não tem os dados relevantes, ele começa a fazer afirmações falsas ou metaforas, como quando indicava um baixo risco de cheia nas duas primeiras queries devido à falta de informações. No entanto, ele também pode reconhecer e buscar de forma inteligente fontes de dados adicionais para preencher suas lacunas de conhecimento.
Um teste semelhante foi realizado no Llama 3, hospedado pelo parceiro MAAP do MongoDB, Fireworks.AI. O experimento testou o conhecimento de Llama 3 sobre dados de cheias, que exibiu uma lacuna de conhecimento semelhante à do chatGPT-4o. No entanto, em vez de fornecer respostas enganosas, Llama 3 forneceu uma lista tentadora de dados de fload, mas salientou que "esses dados são fictícios e apenas para fins de demonstração ".
Figura 4. Resposta do LLM a localizações fictícias de inundação
Análise de risco de geração aumentada de recuperação (RAG)
Embora a IA possa aumentar a análise de crédito empresarial, a interação com um chatbot exige que os agentes de crédito solicitem repetidamente o bot e aumentem suas perguntas com informações relevantes. Isso pode ser demorado e impraticável devido à falta de habilidades de engenharia rápidas ou de dados necessários.
Esta solução usa a Gen AI para aumentar o processo de análise de risco e preencher a lacuna de conhecimento do LLM. Ela usa o MongoDB para armazenar dados e usa queries geoespaciais para descobrir cheias num raio de cinco quilômetros do local da empresa proposta.
Nesta demonstração, você seleciona um local comercial, uma finalidade comercial e uma descrição de um plano comercial. Ela também inclui um botão "Exemplo" para que você possa gerar uma breve descrição da empresa.
Figura 5. Entrada do usuário para a demonstração de avaliação de risco de empréstimo
Quando você envia sua entrada, a demonstração fornece uma análise de risco usando RAG. Ele usa engenharia rápida para fornecer uma análise simplificada do negócio, considerando a localização e o risco de cheia que foram baixados de fontes externas de dados de cheia.
Figura 6. Resposta de risco de empréstimo com uma arquitetura RAG
Você pode revelar todos os locais de cheias de amostras clicando no ícone "Pin" na demonstração. Na imagem, os pinos de geolocalização representam o local da cheia e o círculo azul indica o raio de cinco quilômetros em que os dados da cheia são consultados.
Figura 7. Localizações de inundações exibidas na demonstração
Arquiteturas de referência
O diagrama a seguir fornece uma visão geral da arquitetura desta solução:
Figura 8. Diagrama da arquitetura de fluxo de dados da RAG
Com o MongoDB, os desenvolvedores podem aprimorar o processo RAG utilizando recursos como gráficos de rede, coleções de séries temporais e pesquisa vetorial. Por sua vez, isso melhora o contexto do agente da Gen AI, como o uso de dados geoespaciais para identificar locais de risco de cheias, o que reduz a atordoamento.
A natureza iterativa do processo RAG permite que o modelo aprenda e melhore continuamente com novos dados e feedback, o que eventualmente leva a avaliações de risco cada vez mais precisas e menos especulações.
Abordagem do modelo de dados
O trecho de código abaixo é um exemplo de uma consulta geoespacial. Este exemplo utiliza o estágio de agregação $geoNear, que permite ao usuário buscar todos os locais dentro de uma determinada distância de um ponto especificado por longitude e latitude. Você pode usar um pipeline de agregação para incluir outras operações de processamento de dados, como selecionar campos específicos usando $project ou filtragem com base em determinadas condições usando $match.
Os dados usados nesta demonstração são extraídos do Banco de Dados de Inundação dos Estados Unidos, que contém várias fontes, com 2020 como o conjunto de dados mais recente.
pipeline = [ {"$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 a solução
O código que demonstra todos os recursos do MongoDB utilizados para construir esta solução está disponível no seguinte repositório do GitHub.
Autores
Wei You Pan, diretor global de soluções para o setor financeiro, MongoDB