Image for post
Image for post
João Pacheco Dias | Data Scientist | everis Brasil

PrivacyOps no setor financeiro

Em paralelo a recente aceleração da transformação digital no setor financeiro impulsionada em parte pelos grandes investimentos em Fintechs, regulamentação do Open Banking e crise do COVID-19 tem-se a permanência de algumas barreiras tecnológicas conhecidas.

Dentre estas uma das mais impactantes é o desafio de preservar a privacidade dos clientes enquanto adota-se o uso de alta tecnologia na personalização de produtos, atendimento ao cliente e automatização de processos.

Além da adoção das práticas que levam a padronização da empresa aos requisitos da LGPD existe a preocupação com o acesso às bases de informação por parte dos engenheiros, arquitetos, analistas e cientistas de dados, sejam estes funcionários das instituições financeiras ou empresas terceiras.

Modelos de Inteligência Artificial tem sido utilizado via Market Places, desenvolvidos internamente por equipes locais ou através de ferramentas. E, também em termos de privacidade, estes possuem impacto direto na estrutura de bancos de dados e nuvem utilizadas.

Sob a ótica de negócios poderia reduzir o desafio a uma pergunta: Como solucionar problemas utilizando dados que você não pode ver? E este é um conflito com a metodologia tradicional, na qual os dados do cliente são enviados a um repositório central e então entram em contato com aqueles que criarão os modelos.

Para tal resposta analisaremos 3 soluções que unem os requisitos de Privacidade de Dados com a tecnologia da Inteligência Artificial:

O modelo é enviado a fonte de dados, por exemplo, o celular ou repositório local, onde é treinado e então enviado de volta ao repositório central. Com isso a empresa não tem acesso direto a nenhum dado do cliente, pois apenas enviou uma equação e recebeu uma versão modificada desta.

Os modelos utilizados podem ser alimentados com uma base na qual as variáveis estejam criptografadas, sem a necessidade de acesso a uma chave. Após o treinamento o modelo é enviado a uma central na qual algum funcionário com permissão utilizará uma chave para obter os resultados reais.

Os Engenheiros de Dados e Analistas que realizam diversas queries em uma base podem manter a sua rotina tendo uma camada adicional de proteção contra vazamento de dados. Com a PD aplica-se ruído estatístico a cada query e oclusão de linhas a fim de preservar a privacidade nos dados.

Image for post
Image for post

O termo PrivacyOps torna-se então uma combinação de filosofias, práticas e automações que aumentam a habilidade de uma organização a atender diversas regulamentações de privacidade com o auxílio de alta tecnologia.

Written by

Exponential intelligence for exponential companies

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