Contexto: As empresas do mercado de capitais têm dificuldades em acompanhar as mudanças nas regulamentações dos fundos de investimentos de forma eficiente. Falta de uma ferramenta que centralize todas as mudanças de forma acessível para os investidores. Há dificuldade em encontrar de maneira organizada e padronizada as alterações que foram feitas nas regulamentações, acarretando em desafios aos times de regulatório e compliance.
Áreas impactadas:
- Estimativa aproximada: 80% das pessoas nas gestoras de fundos, nas áreas de conformidade, gestão de riscos, contratos, finanças, tecnologia e registros.
- Stakeholders:
- Desenvolvedores e analistas de dados no departamento de TI: Responsáveis pelo desenvolvimento e manutenção da infraestrutura tecnológica.
- Analistas regulatórios no departamento de conformidade: Responsáveis por garantir a conformidade com as regulamentações e a precisão do conteúdo.
- Analistas financeiros: Avaliam as saídas do sistema contra documentos para garantir a qualidade da informação.
Objetivo: Espera-se contar com um sistema capaz de retornar todos os itens que foram alterados a partir das AGC´s nos regulamentos, considerando o período informado pelo usuário. Por exemplo: taxas, prazos de
resgate/aplicação, adm/gestor. Com isso, espera-se aumentar a escalabilidade do processo e melhorar a produtividade da equipe
Requisitos:
- Identificar o fundo e o período que deverão ser analisadas as mudanças;
- Coletar os dados das versões dos regulamentos;
- Efetuar as comparações em relação às alterações de cada regulamento em ordem cronológica;
- Organizar, padronizar e disponibilizar as informações.
Caminho de Solução:
- Definir um fundo, os itens e os períodos que serão analisadas em uma prova de conceito, coletando os documentos de regulamentos em formato PDF ou DOCX;
- Definir a pipeline de leitura dos regulamentos e de extração dos itens de cada documento, incluindo serviços de cloud para extrair os campos desejados (exemplo taxas, prazos de resgate/aplicação, adm/gestor);
- Validar os serviços de leitura e extração com os regulamentos coletados;
- Armazenar cada um desses itens e as informações do regulamento analisado, como data de publicação, em um banco de dados SQL;
- Efetuar as comparações em relação aos itens extraídos de cada documento seguindo ordem cronológica da publicação da regulamentação e armazenar no banco de dados SQL;
- Exibir as informações em uma interface Web pontuando alterações que foram feitas em cada item em ordem cronológica, filtrando pelo fundo e período.
Tecnologias Envolvidas:
- Web Scraping
- Banco de Dados
- Processamento de Linguagem Natural - APIs pré-treinadas de NLP
- Planilhas Excel / Python automatizadas
- Portal web simples
- Envio de emails
Resultados Esperados:
- Melhora da produtividade da equipe, com a automação do processo de acompanhamento das mudanças regulatórias.
- Melhoria na qualidade dos dados, através da padronização e organização das alterações nos regulamentos.
- Precisão aprimorada na alocação de recursos, com base em informações atualizadas e confiáveis.
- Mitigação de riscos operacionais, ao reduzir erros manuais e aumentar o controle sobre as mudanças nos fundos de investimento.
Riscos identificados: Dificuldade em identificar fundos quando o pedido do usuário é feito com base no nome do fundo.
Agradecimentos:
A Beatriz Lopes Rosa, proponente do projeto no programa Discovery IA da ANBIMA.
A Dora Savoldi (Match IT) e Instituto Eldorado por colaborações sobre os caminhos de solução e tecnologias.
Contexto: A falta padronização das informações nas regulamentações e a informação incompleta divulgada no mercado dificultam a análise (consulta e consumo). Ao ler e disseminar essas variáveis, seria possível fazer um registro mais preciso dos portfólios investidos, bem como estudos aprofundados sobre liquidez, classificação e participação.
Áreas impactadas:
- Áreas: Gestão de riscos, Compliance, de gestoras de fundos, administradores e/ou prestadores de serviços financeiros.
- Stakeholders:
- Administradores de Fundos: Garantir compliance, governança e mitigação de riscos na gestão
- dos fundos.
- Gestores de Fundos: Melhorar processos de decisão baseados na liquidez dos fundos e
- estratégias de governança.
- Órgãos Regulatórios: Verificar a integridade dos dados e supervisionar a indústria de fundos.
- Empresas de Tecnologia e Startups: Fornecer soluções que integram finanças e tecnologia.
Objetivo: Leitura dos regulamentos para identificar regras de enquadramento, público-alvo, resgate e aplicação (das diversas classes) e estratégias de alocação. Deixar as informações públicas para consulta. Com isso, será possível aumentar a transparência no mercado financeiro, facilitar o acesso a informações padronizadas para investidores e melhorar a eficiência da gestão de riscos para fundos e prestadores de serviços em conformidade com regras e regulamentações regulatórias.
Requisitos:
- Uma base comum para consulta e consumo das informações.
- Supervisões e diligências com base em outliers.
- Maior embasamento para questionamento via monitoramentos mais automatizados.
- Métricas de qualidade: precisão do projeto, número de leituras de documentos e extrações de dados bem-sucedidas, tempo de processamento para cada tipo de documento, e taxa de precisão baseada em uma amostra.
Caminho de Solução:
- Especificação de projeto e parâmetros de extração
- Desenvolvimento: Despadronização dos documentos: Aprendizado via aprovação ou rejeição dos variados tipos de documentos - aumento da assertividade ou disponibilização dos parâmetros cadastrais de forma amostral por parte dos administradores a fim de conferir um "gabarito".
- QA
- Testes finais e leitura em massa
- Monitoramento pós-produção e melhorias contínuas
Tecnologias Envolvidas:
- Inteligência Artificial (LLM)
- APIs de Integração
- Ferramentas para disseminação de dados (front end)
Resultados Esperados:
- Aumento da eficiência operacional e de interpretação dos documentos - mitigando problemas de divergência de entendimentos.
- Democratização da informação.
- Melhor assertividade nas análises para estudos de caso, acompanhamento dos fundos.
- Maior eficiência nas tomadas de decisões.
- Escalabilidade de processos envolvendo fundos.
Riscos identificados: Dificuldades técnicas relacionadas à leitura de IA e a especificidade de cada fundo.
Falta de atualização tempestiva.
Agradecimentos:
A Carolina Tomomi Majima, proponente do projeto no programa Discovery IA da ANBIMA.
A Dora Savoldi (Match IT) por colaborações sobre os caminhos de solução e tecnologias.
Contexto: Desafio crescente enfrentado pelas empresas de Gestão de Ativos em se manter atualizadas e em conformidade com os requisitos regulatórios em constante mudança, correndo o risco de penalidades e perda de competitividade. Há grande complexidade na interpretação das regulamentações, com diferentes interpretações por cada administrador de fundos. Os eventos em Fundos de Investimento são frequentemente complexos, envolvendo um processo contínuo de aprendizado. Em muitos casos, há o desejo de realizar eventos que nunca foram feitos antes, mas existe dificuldade em entender quais ações podem ser tomadas e quais seriam as consequências.
Áreas impactadas:
- Equipes jurídica, de eventos, operações, gestão e clientes.
- Stakeholders:
- Administradores de fundos: Fornecer a interpretação das normas e das políticas de enquadramento. Interesse na redução de desenquadramentos e sanções dos reguladores.
- Reguladores: Estabelecer as normas e disponibilizá-las. Interesse em facilitar que os investidores tenham mais conformidade com essas normas.
- Investidores: Usuários finais da ferramenta, com interesse no ganho de eficiência e segurança na tomada de decisão.
Objetivo: Assistente Inteligente (com agente de IA treinado) para monitorar, analisar e orientar a gestão de ativos sobre regulamentações financeiras. Oferece vigilância 24/7, análise personalizada e consultoria aos
associados AMBIMA, com disponibilidade para tirar dúvidas sobre a regulação de fundos e de enquadramento, com base nas normas e manuais do mercado e no posicionamento de cada Administrador.
Requisitos:
- Automatização da Conformidade Regulatória: automatizar processos de conformidade, garantindo que todas as normas e regulamentos sejam seguidos de forma eficiente.
- Habilitar interface de consulta customizada, minimizando erros humanos e garantindo dados mais confiáveis e precisos.
Caminho de Solução:
- Alinhamento entre os participantes (Administradores, reguladores e investidores), estabelecendo quais dados são importantes para treinar a IA e como ela deve ser utilizada.
- Alimentar a IA com dados, promovendo treinamento adequado
- Divulgar para o mercado, com todos os disclaimers necessários.
- Atualizar constantemente a base de dados com novos fatos, normas e interpretações (gerenciamento de conteúdo para curadoria de materiais).
- Equipe envolvida: Cientistas de Dados, Engenheiros de Machine Learning e de Dados, Especialistas em Compliance e Regulamentação, Desenvolvedores de Backend e Frontend, Analistas de DevOps e Infraestrutura, Equipes de Gestão do Produto/Projeto.
Tecnologias Envolvidas:
- OCR (Optical Character Recognition): Ferramentas como Tesseract OCR ou Google Cloud
- Vision API para converter documentos (físicos ou PDFs) em texto digital.
- ETL (Extract, Transform, Load): Ferramentas para extrair dados de várias fontes (websites, PDFs, documentos internos), transformá-los em formatos padronizados e carregá-los em um repositório central.
- Processamento de Linguagem Natural (PLN): Para normalizar e categorizar textos extraídos, definindo entidades, termos técnicos, definições legais e outros componentes necessários para padronização.
- Large Language Models (LLM): Modelos como GPT-4 da OpenAI para treinamento com dados normalizados para realizar consultas contextuais e análises baseadas em regulamentações e normas.
- Acesso à internet para conteúdos publicados.
Resultados Esperados:
- Reduzir significativamente as violações regulatórias não intencionais.
- Aumentar a velocidade de adaptação a novas regulações.
- Diminuir substancialmente os custos de conformidade, melhorando a eficiência na consulta de regras pelas equipes de compliance e jurídico, e melhorando o entendimento do mercado sobre regulamentações específicas.
- Simplificar a tomada de decisão em eventos complexos de fundos de investimento.
- Redução de erros na análise dos impactos de eventos ou investimentos.
- Personalizar eficientemente as orientações regulatórias por Asset
- Trazer soluções inovadoras para dilemas regulatórios, promovendo inovação e conformidade no mercado.
- Otimizar a comunicação interdepartamental sobre regulações.
- Métricas: Redução na quantidade de consultas à norma e aos administradores, no número de erros operacionais, e no tempo de conclusão de eventos em fundos.
Riscos identificados: Alucinações da IA: Risco do agente de IA gerar respostas incorretas ou impossíveis.
Resistência dos Administradores: Resistência por parte dos administradores de fundos em compartilhar suas interpretações das normas. Segurança e conformidade de dados. Integração com sistemas existentes.
Agradecimentos:
A Anderson Adorno Mattede e Thaís Borges Tolledo de Oliveira, proponentes de projetos sinérgicos no programa Discovery IA da ANBIMA.
À equipe Matera por colaborações sobre os caminhos de solução e tecnologias.
Contexto: Pequenas e médias empresas de asset management recebem diariamente movimentações de aplicação e resgate de corretoras ou distribuidores por e-mail e sem um padrão, totalmente não estruturado. Não existe um padrão de mercado hoje para esse tipo de transação, o que onera os times de Middle ou operações destas casas para transacionar essa informações. Precisam ler os emails (um de cada formato), organizar as informações e então enviar as informações para a administradora e seus sistemas internos
Há incompatibilidade entre diferentes layouts de documentos nos processos de transferência de fundos (Transfer-in), gerando lentidão no processo de conversão de arquivos e a falta de uma ferramenta automatizada para esse propósito.
Áreas impactadas:
- Áreas de Controladoria de Fundos, Onboarding de Fundos, e Middle Office de assets, family offices e administradoras.
- Stakeholders:
- Administradores de Fundos: Principais usuários da solução, interessados na eficiência e
precisão do processo de conversão de layouts.
- Analistas de Negócios: Profissionais da área de administração de fundos e controladoria que ajudam a definir os requisitos do projeto e validar os resultados.
- Equipes operacionais: Envolvidas na execução do dia a dia das operações; interessadas em minimizar o trabalho manual e aumentar a precisão.
- Corretoras: Fornecedoras de dados de transações; influenciam como a solução deve lidar com os dados recebidos.
- Qualquer equipe de gestoras de recursos que lida com envio e recebimento de movimentações de fundos: Consumidores diretos da solução; interessados em sua eficácia.
Objetivo: Utilizar uma ferramenta de inteligência artificial para receber as informações de Transfer-in de
um fundo no layout do administrador X, e converter para o layout do administrador Y. O conversor de movimentações adequariam o formato das movimentações de aplicação/resgate que chegam desestruturadas por e-mail, transpondo ao formato final das principais administradores participantes (Intrag, BTG, Bradesco etc.)
Requisitos:
- Recebimento de informações desestruturadas sobre um movimento de transação - arquivos do Administrador A (que está enviando os dados do fundo).
- Fazer o upload desses arquivos para uma plataforma de IA (estrutura os dados em um formato aceitável para administradores (por exemplo, XML) e que também pode ser compatível com um formato usado internamente pelos assets (por exemplo, CSV).
- A plataforma iniciará o processo de conversão e, se precisar de dados adicionais ou informações/documentos complementares, solicitará ao analista.
- O analista fornecerá os suplementos necessários.
- A IA gerará o arquivo no layout que o Administrador B (que está recebendo os fundos) pode importar para o seu sistema. O arquivo exportável com os movimentos organizados seria disponibilizado para upload ou envio via um serviço web para o administrador.
- Integração dos dados organizados nos sistemas de informações internos dos assets (ou mesmo em um Excel).
Caminho de Solução:
- Análise de requisitos e design
- Extração de Dados, Transformação e Normalização. Fornecimento de exemplos de transações e nomenclaturas comumente usadas para treinar o modelo para identificar e converter informações.
- Treinamento de LLM, Validação de Insights e Apuração das Saídas.
- O software, que pode ser feito em Python, deve separar as informações importantes, como o e-mail da pessoa solicitante e o texto principal do pedido. O texto separado é enviado para um LLM (por exemplo, o GPT-4 da OpenAI) com o prompt de instrução para formatação das informações corretas. Um possível formato seria um JSON com as chaves “tipo da operação” (aplicação/resgate) e “valor”, com o valor da operação. A resposta do LLM é tratada, agregada com a informação do e-mail e salva em um Excel pré-existente com as informações anteriores.
- Desenvolvimento de Front-end e Back-end: Uso de structured outputs, nativo da OpenAI, para garantir a formatação correta da resposta. A associação do e-mail da pessoa com uma base de dados existente para recuperação de demais informações como nome e documentos. O envio do documento Excel atualizado para o e-mail da pessoa responsável.
- Testes
- Implementação e treinamento
Tecnologias Envolvidas:
- OCR (Optical Character Recognition)
- ETL (Extract, Transform, Load)
- Processamento de Linguagem Natural (NLP)
- Large Language Models (LLM): Como o GPT-4 da OpenAI
- Integração de APIs: e-mails e modelos de linguagem
- Software Python para tratamento das respostas e arquivos.
- Conexão do arquivo gerado para um serviço de nuvem.
- Aprendizado de Máquina (Machine Learning)
- Banco de Dados Relacional
- Ferramentas de Segurança e Conformidade
- Plataformas de automação de e-mail
- Filas de mensagens (dependendo da solução proposta)
Resultados Esperados:
- Melhorar a eficiência operacional no processo de transferência de fundos para pequenas e médias gestoras de fundos.
- Diminuição de erros manuais, aumentando a precisão na conversão de dados e facilitar o rastreamento e recuperação de informações com a padronização dos dados processados.
- Elevar a satisfação entre os administradores de fundos.
- Métricas: Redução do tempo de conversão de layouts, Taxa de erro na conversão de dados, Satisfação dos administradores e gestores de fundos
Riscos identificados: Riscos com falhas na execução da conversão / Identificação correta das palavras-chave para evitar a conversão incorreta das informações de transação. Precisão dos dados de saída: emissão incorreta do arquivo final. Implicações da LGPD no tratamento de dados sensíveis.
Agradecimentos:
A Filipe Andrade de Brito e Felipe de Souza, proponentes de projetos sinérgicos no programa Discovery IA da ANBIMA.
Às equipes do Instituto Eldorado e da Matera por colaborações sobre os caminhos de solução e tecnologias.
