Image for post
Image for post
Luis Quiles | Diretor Data Science | everis Brasil

IA, privacidade e open banking

Nos últimos anos a utilização pelas empresas de aplicações de inteligência artificial vem crescendo de forma contínua, apesar do avanço na utilização das técnicas de inteligência artificial a adopção generalizada está evoluindo de forma desigual entre as empresas, duas das principais barreiras são a falta de talento e escassez de dados.

Tradicionalmente frente novos desafios tecnológicos para os que as companhias não dispõe de pessoal qualificado nem das metodologias de trabalho apropriadas, foram contratadas empresas especialistas na nova tecnologia, mas no caso da Inteligência Artificial a diferença de outras tecnologias para desenvolver soluções de inteligência é necessário ter acesso a dado produtivo, este fato em função da natureza do dado pode estabelecer uma empecilho para a contratação de especialista terceiros, e consequentemente também acaba dificultando a implementação de soluções de inteligência artificial avançadas.

A falta de garantia na privacidade da informação acaba sendo uma barreira significativa no adopção de soluções com inteligência artificial, na fase de desenvolvimento nas soluções internas e no caso das soluções cloud saas também no momento da utilização (inferência), por requerer do envio de informação para um serviço externo, estas são barreiras reais que precisamos levar em consideração em nosso dia a dia, estas reservas são necessárias já que a quebra da privacidade é um ameaça real.

Os centros de pesquisa em inteligência artificial estão apostando pelas técnicas que garantem a privacidade da informação no desenvolvimento e utilização de modelos de machine learning, seguem as duas técnicas mais relevantes:

· Aprendizado distribuído (Distributed Learning), tem como objetivo conseguir treinar modelos compartilhados entre diversas plataformas (servidores, celulares etc.) sem precisar compartilhar ou movimentar dados, cada plataforma realiza um treinamento parcial com seus dados, posteriormente o modelo resultante é compartilhado pelos participantes sem risco de quebra da privacidade de dados, de modo que todos os participantes se podem beneficiar do aprendizado em conjunto.

Existem diferentes estratégias para distributed learning, destacaríamos o federated learning e o split learning, na everis temos experiência utilizando as duas estratégias.

O principal ponto fraco de esta técnicas tem relação com a complexidade das arquiteturas técnicas e do processo de avaliação dos resultados dos treinamentos.

· Encriptação homeomórfica (Homomorphic Encryption), é uma tipo de encriptação que permite realizar treinamento e inferência de modelos sobre o dado encriptado mantendo como propriedade que o modelo resultado do treinamento é válido sobre os dados e que o resultado da inferência sobre o dado encriptado também e válido, como qualquer encriptação o principal ponto fraco é que precisa capacidade de computo e também requer da utilização do modelos de machine learnings compatíveis com a encriptação homeomórfica.

Com a evolução e generalização de estás técnicas o compartilhamento de informações de forma segura pode multiplicar os produtos e os serviços ao redor de dados inclusive a potencialização de novos marketplaces de dados e de modelos, beneficiando a todos os participantes. Como já se está demostrando no contexto médico com a utilização de métodos de aprendizado distribuindo, desde a everis estamos ajudando a diferentes hospitais a construírem soluções de machine learning colaborativas a partir de tecnologias de aprendizado distribuído.

Em paralelo o open banking está crescendo com diversos graus de implementação, o país pioneiro é o Reino Unido que tem a normativa em funcionamento desde janeiro de 2018, no Brasil a normativa ainda está em construção. Se tomamos como referência o Reino Unido as pesquisas indicam que a major barreira para adoptar soluções de open banking, de novo, é a desconfiança dos usuários na utilização que podem fazer de seus dados financeiros. As normativas de open banking entre outros aspectos regulam como as soluções de open banking pode aceder aos dados de um cliente, caso o cliente solicite a sua entidade financeira que uma solução de open banking tenha acesso a seus dados financeiros, a entidade financeira precisa disponibilizar a informação. Cada ecossistema de open banking acaba estabelecendo seus próprios protocolos e plataformas tecnológicas para atender a necessidade de compartilhamento de dados.

Um fato bem relevante das normativas de open banking em linha a LGPD é que determinam que os dados bancários individuais pertencem ao cliente e que ele consegue definir aspectos respeito sua utilização.

Tecnologias como o aprendizado distribuído e a encriptação criptografada que garantem a privacidade dos dados podem acelerar a adopção de open banking, as aplicações de open banking tem uma forte relação com a monetização dos dados financeiros do cliente, tomando como referencia o Reino Unido as aplicações de open banking mais difundidas tem como principais finalidades: Centralizar a operativa de diversas aplicações mobile de diferentes bancos, aplicações que a partir do comportamento do cliente automatizam transferências na conta poupança, planificadores financeiros que ajudam a atender objetivos financeiros ou aplicações que agregando o comportamento do cliente em diferentes entidades financeiras concedem créditos.

Em este contexto também é relevante considerar o aporte que a utilização do blockchain pode ter em soluções para compartilhamento de dados, já que o blockchain por construção garante privacidade da informação. Longe fica a primeira versão do blockchain para o Bitcoin, que apresentava fortes limitações, como por exemplo a velocidade de processamento, as novas plataformas blockchain conseguem realizar transações instantâneas, suportam smart contracts e inclusive estão incorporando modelos de machine learning.

A democratização no acesso aos dados deve passar por as tecnologias tratadas no documento, sem dúvida o DNA delas é permitir a criação de plataformas de dados seguras, com potencial para criar novas oportunidades, novos produtos e serviços que nos aportem valor como pacientes, consumidores, clientes e cidadãos. Na everis já estamos realizando projetos e estamos incluindo-as em nossos aceleradores e frameworks de referência.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store