Aplicativo de cartão de crédito com IA generativa

Simplificar a captura e o processamento de dados

A solicitação de produtos de crédito geralmente é um processo difícil pelos seguintes motivos:

1. complexidade do processo do aplicativo: o processo de aplicação do cartão de crédito envolve várias etapas demoradas:

   • Escolha um cartão: primeiro, selecione um cartão de crédito que atenda às suas necessidades. Pesquise vários cartões, compare recursos e entenda seus termos e condições.

   • Verificação de elegibilidade: Em seguida, verifique se você atende aos critérios de elegibilidade definidos pelo banco. Esses critérios normalmente consideram fatores como sua classificação de crédito, idade, receita e responsabilidades.

   • Envio de documentos: forneça documentos como comprovação de identidade (como ID do seguro social, Passaporte e/ou habilitação de motorista), documento de endereço (contrato de aluguel, contas de serviços públicos) e documento de rendimento (extratos bancários, certificados de ordenado, formulário 16).

   • Formulário de solicitação: Preencha o formulário de aplicação do cartão de crédito. Você pode fazer isso on-line no site do banco, no webinar ou em uma agencia. Alguns bancos exigem documentos físicos, embora os processos virtuais estejam se tornando mais comuns.

   • Verificação e referências: os bancos verificam a autenticidade dos seus documentos e cruzam as informações fornecidas. Esta etapa também envolve o cálculo da probabilidade de inadimplência usando algoritmos de AI e aprendizado de máquina.

2. Coleção de informações redundantes: bancos frequentemente coletam dados redundantes, como:

   • Dados do KYC: mesmo tendo acesso aos seus dados do Know Your Customer (KYC), ainda pedem que você os envie várias vezes.

   • Verificação de renda: apesar de ter informações como seu salário, histórico bancário, contas de água, luz e internet, pagamentos de aluguel, pagamentos de celular e despesas de compras, o banco pode fazer uma solicitação de provas adicionais para verificar essas informações.

Tornar esse processo mais eficiente ao eliminar solicitações redundantes e utilizar os dados existentes pode melhorar a experiência do usuário.

Esses formulários de aplicação aumentam em complexidade com outros produtos de crédito, como crédito para construção de automóveis, crédito à vista e negociação de ações. Dentro de um formulário de aplicação , pode haver informações tabulares e hierárquicas que precisam ser preenchidas. A plataforma de dados para desenvolvedores flexível do MongoDB oferece suporte nativo a dados JSON e não exige que os documentos tenham o mesmo esquema, melhorando a capacidade de lidar com vários tipos de dados.

Para simplificar o processo de captura de dados e melhorar o desempenho da solicitação, é possível usar JSON no formulário de solicitação de crédito online. O JSON tem uma representação de dados estruturada, permitindo organizar os diferentes detalhes que precisam ser armazenados. O modelo de dados flexíveis se alinha bem com a natureza dinâmica dos requisitos para solicitação de cartão de crédito, permitindo armazenar dados relacionados juntos, mesmo que esses dados não tenham exatamente a mesma estrutura. Em geral, outros desenvolvedores também compreendem o JSON, o que facilita a colaboração e torna os dados fáceis de entender à primeira vista.

O MongoDB processa bem documentos JSON em aplicativos de crédito devido ao seu suporte nativo para o formato BSON semelhante a JSON.

Aprimorar a pontuação de crédito com AI

Aproveite o Atlas, a plataforma de dados de desenvolvedores do MongoDB para criar um perfil bancário de usuário abrangente, combinando pontos de dados relevantes.

Veja um diagrama arquitetônico para o pipeline de dados de processamento que prevê a probabilidade de inadimplência e a pontuação de crédito:

clique para ampliar

Figura 1. Diagrama do pipeline de dados de processamento para pontuação de crédito

O pipeline de dados para pontuação de crédito de um cliente envolve as seguintes etapas:

1. Coleta de dados: primeiro, o processo coleta dados de várias fontes, como órgãos de proteção ao crédito, open banking, sistemas de detecção de fraudes e outras fontes relevantes.

2. Processamento de dados: os dados coletados são processados usando ferramentas como o Spark Streaming Connector para criar uma visão unificada do perfil financeiro do cliente e armazenar esses dados em visualização única no MongoDB Atlas.

3. Geração de perfil de risco: a partir dessa visualização unificada, perfis de risco ou sugestões de produtos são gerados. Isso envolve o uso de métodos estatísticos para realizar análises descritivas e também técnicas de inteligência artificial (AI) ou aprendizado de máquina (ML) para identificar padrões nos dados e realizar pontuação de propensão ao risco.

4. Desenvolvimento do modelo: vários algoritmos de aprendizado de máquina podem ser usados para pontuação e decisões de crédito. Considere regressão logs

   Este tutorial emprega o modelo XGBoost (Emple Gradient Impulsionada Árvores), um algoritmo de aprendizado de máquina comumente usado por seu desempenho preditivo. O algoritmo é um método de aprendizado supervisado baseado na aproximação da função. O algoritmo tem os seguintes recursos:

   • Otimizar funções de perda específicas.

   • Aplicar várias técnicas de regularização.

   • Lide com dados de alta dimensão.

   • Capturar padrões complexos para classificação e regressão.

   O modelo justifica seu resultado de inferência, o que ajuda a explicar o resultado deste modelo preditivo.

5. Transformação de dados: antes de realizar a pontuação do perfil de risco, os dados brutos do usuário são transformados usando o Spark (ou um framework de análise gerenciado semelhante). Os dados são agrupados de várias fontes para criar uma visão única e materializada dos dados. Essa visão pode ser derivada diretamente da coleção do MongoDB Atlas para ser usada no desenvolvimento de modelos e em várias tarefas de análise descritiva. Esta etapa também pode envolver a inferência de modelos.

6. Coleção de decisões: os dados finais transformados são inseridos em uma coleção de decisões. Isso auxilia bancos e instituições financeiras a respaldar decisões financeiras e propósitos de auditoria.

O objetivo é avaliar com precisão a credibilidade de um cliente para tomar decisões informadas acerca de empréstimos e recomendações de produtos financeiros. O pipeline é uma demonstração dos atuais pipelines de avaliação de risco encontrados nas organizações.

Explicar a rejeição da solicitação de crédito

Compreender os motivos para a rejeição da solicitação de crédito é uma parte essencial do processo. Descubra como o MongoDB e os grandes modelos de linguagem (LLMs) podem explicar as previsões do modelo XGBoost (o modelo utilizado neste tutorial).

Aqui está o diagrama de arquitetura que explica a pontuação de crédito usando um LLM:

clique para ampliar

Figura 2. Diagrama de arquitetura de pontuação de crédito usando um LLM

O pipeline de aprendizado de máquina utilizado para o perfil de risco fornece uma pontuação de probabilidade que define o risco associado ao perfil para recomendação de produtos. Essa mensagem é comunicada de volta ao usuário de forma padronizada, em que apenas o status final da solicitação é comunicado ao usuário final. Na arquitetura proposta com LLMs, é possível usar a engenharia de prompts para explicar a razão do status final do produto aprovado, com justificativas válidas apresentadas ao cliente final.

Aqui, você pode encontrar o código e as respostas de exemplo. O código para gerar uma mensagem semelhante pode ser feito em Python em um notebook Jupyter. Os detalhes sobre a configuração do MongoDB Atlas e a obtenção de uma string de conexão estão disponíveis neste link.

Veja um exemplo de explicação para uma rejeição:

clique para ampliar

Figura 3. Exemplo de explicação de recusa

Esta mensagem endereçada ao cliente é uma forma de IA explicável, em que os recursos utilizados no modelo para determinar o perfil de risco são classificados e usados como parte do prompt personalizado para o LLM. Isso pode ajudar a gerar motivos mais detalhados para o cliente final explicar seu perfil de usuário, conforme mostrado acima. Os LLMs também podem ajudar a resumir a lista de motivos detalhados para oferecer uma visão simplificada da descrição.

Nesta demonstração, são utilizadas duas abordagens para avaliar a solicitação de crédito. O status da solicitação de crédito é determinado usando uma abordagem de aprendizado de máquina, conforme descrito na seção anterior, com o uso de mais de 20 recursos relacionados ao crédito. Veja um subconjunto das 15 funcionalidades mais importantes:

clique para ampliar

Figura 4. Gráfico de importância de recurso

Para obter mais detalhes sobre os recursos usados nesta demonstração, consulte o código-fonte fornecido no repositório de crédito do GitHub.

Para demonstrar a diferença entre o ML e a abordagem de pontuação de crédito tradicional, considere como um método de pontuação de crédito tradicional típico pode pontuar o mesmo aplicação de crédito, mas normalmente usando apenas algumas dimensões. A demonstração usa vários recursos normalmente usados pelos principais provedores de pontuação de crédito:

• O histórico de quitação de dívidas do solicitante de crédito

• Utilização de crédito

• Histórico de crédito

• Solicitações e número de consultas de crédito

Recomende produtos de crédito alternativos

A instituição de crédito deve sempre tentar realizar vendas adicionais para o cliente com um produto relevante que atenda às suas necessidades, pois o cliente já está envolvido no processo e no aplicativo.

As Instituições bancárias podem implementar um sistema de recomendações de produtos que forneça uma explicação amigável para as pessoas sobre a lógica da nova recomendações, o que abriria novas oportunidades de receita que os sistemas legado atualmente não oferecem. Fornecer as lógicas pode criar um relacionamento personalizado com os clientes e aumentar a aceitação do produto recomendado. Aqui está um exemplo de uma arquitetura de dados usada para conseguir isso:

clique para ampliar

Figura 5. Arquitetura de sistema de recomendação

Atlas Vector Search é um recurso que permite realizar pesquisa semântica e IA generativa em qualquer tipo de dados. Ele integra seu banco de dados operacional e pesquisa vetorial em uma plataforma unificada e totalmente gerenciada com uma interface nativa do MongoDB . Você pode criar incorporações vetoriais com modelos de aprendizado de máquina e, em seguida, armazená-las e indexá-las no MongoDB Atlas para geração aumentada de recuperação (RAG), pesquisa semântica, mecanismos de recomendações, personalização dinâmica e outros casos de uso.

RAG é um paradigma que utiliza a pesquisa vetorial para recuperar documentos relevantes com base na query de entrada. Em seguida, fornece esses documentos recuperados como contexto para os LLMs a fim de ajudar a gerar uma resposta mais informada e precisa.

O tutorial acima cita as tecnologias que podem ser utilizadas para solucionar um caso de uso referente a um sistema de recomendação de produto (no caso, um cartão de crédito). As etapas deste processo são:

1. Carregar dados pessoais: cada produto de cartão de crédito tem diferentes ofertas. Esses produtos mudam ocasionalmente, assim como as taxas cobradas por vários benefícios de estilo de vida, como ingressos de cinema e serviços de concierge. Armazenar dados de produtos no MongoDB como repositório de dados operacional (ODS) ajuda a manter as alterações e constrói índices vetoriais ao mesmo tempo.

   • Os grandes pontos de dados podem ser atualizados, excluídos, inseridos ou substituídos conforme necessário.

   • As descrições dos produtos de cartão de crédito são muito extensas, portanto, dividi-las em partes menores ajuda a recuperar as informações relevantes de maneira adequada.

   • Você pode utilizar LLMs para encurtar a descrição do produto em resumos que contenham todas as características e custos salientes desse produto. Essa alteração permite que você recupere e recomende produtos relevantes rapidamente.

2. Recomendações impulsionadas por LLM: neste caso de uso, o LLM é utilizado como um sistema de recomendação onde o perfil do usuário gerado na etapa anterior pode ser usado como entrada para gerar sub-queries que podem ser usadas para fazer pesquisa de similaridade semântica em relação aos vetores de produtos armazenados no MongoDB Atlas.

3. Recomendação de produtos com mensagens personalizadas: os produtos recomendados são então usados em um prompt personalizado para o LLM para gerar resumos de recomendações de produtos relevantes para o usuário final.

   • Isso ajuda a instituição financeira a personalizar as recomendações e oferecer sugestões relevantes ao cliente final, o que aumenta as taxas de conversão.

   • A recomendação de produtos aumenta o engajamento do cliente e aprimora a experiência do usuário, melhorando a pontuação do índice de "probabilidade de recomendar" nos produtos oferecidos.

Aqui, você pode encontrar o código e exemplos de recomendações alternativas de produtos. Abaixo estão alguns exemplos. Você pode usar o Python em um Notebook Jupyter para criar código para gerar uma recomendações de produto e personalizar a descrição da recomendações do produto.

clique para ampliar

Figura 6. Exemplo de aplicativo aprovado