Embora nos últimos anos os esforços nos modelos de risco de crédito tenham estado muito voltados para atender aos requisitos regulatórios dos parâmetros IRB e IFRS 9, há cada vez mais interesse em melhorar os modelos incorporando técnicas de inteligência artificial, havendo uma maior receptividade por parte dos supervisores.
Neste sentido, muitas instituições estão trabalhando, com maior ou menor intensidade, na incorporação de técnicas de inteligência artificial para melhorar seus modelos de Risco de Crédito. Em geral, o foco de atuação está sendo em modelos de gestão que não têm impacto em carteiras IRB, embora algumas instituições tenham utilizado ou tenham previsto testar essas técnicas em carteiras IRB sujeitas à aprovação do supervisor.
AI applied to Credit Risk Models
Tudo isso faz com que as instituições tenham que enfrentar desafios relacionados ao enriquecimento e melhoria de dados, ao fortalecimento da infraestrutura tecnológica, garantindo a cobertura dos requisitos regulatórios (por exemplo, AI Act na Europa) e à qualificação dos recursos humanos.
A Management Solutions tem ampla experiência na incorporação bem-sucedida de técnicas de inteligência artificial no âmbito de modelos de Risco de Crédito, podendo apoiar tanto nas diferentes fases do ciclo de vida dos modelos quanto nos aspectos transversais (dados, infraestrutura e framework e regulamentação), contando como acelerador com uma ferramenta proprietária (ModelCraftTM).
Nossa oferta de valor está organizada em quatro blocos:
1. Ciclo de vida dos modelos: oferecemos nossas capacidades analíticas em 3 áreas:
- Definição e priorização de casos de uso nos quais aplicar técnicas de inteligência artificial, considerando as necessidades da instituição e os resultados na indústria.
- Suporte no desenvolvimento, automação e industrialização de modelos com técnicas de aprendizado de máquina, bem como no desenvolvimento de módulos de interpretabilidade e explicabilidade.
- Adaptação do quadro de validação/auditoria do uso de IA em modelos e suporte nos exercícios de validação e gestão de risco de modelo (MRM).
2. Melhoria de dados através da identificação, captura e estruturação a partir de novas fontes de informação e melhoria do ambiente de controle da informação e da qualidade de dados.
3. Infraestrutura: apoio no design e implementação de roteiros para a evolução da infraestrutura de desenvolvimento e validação de modelos de IA realizando a migração para linguagens de código aberto (por exemplo, Python) e adaptação da filosofia MLOPs.
4.Regulamentação: adaptação do framework, normas internas, políticas e procedimentos para incorporar o tratamento adequado de técnicas de IA cobrindo os requisitos regulatórios (AI Act).