Modelos de IA a medida que tu institución financiera posee y opera internamente
Ertas permite a bancos e instituciones financieras entrenar modelos a medida con sus propios ejemplos y ejecutarlos en su propia infraestructura o mediante el endpoint de modelo adaptativo. Así, los modelos detrás de tus procesos son activos que posees, pruebas y versionas.
The Challenges You Face
A los reguladores les importa adónde van los datos de clientes
Los supervisores bancarios, las leyes de privacidad y las guías de externalización ponen condiciones sobre dónde se procesan los datos de clientes. Enviar cada descripción de transacción a la API de un tercero exige revisiones de riesgo de proveedores y acuerdos de tratamiento de datos para cada nuevo caso de uso, lo que frena justo los proyectos más valiosos.
La gestión del riesgo de modelos requiere modelos que puedas conservar
SR 11-7 y marcos similares esperan que las instituciones documenten, validen y supervisen los modelos que intervienen en decisiones. Un modelo alojado que puede cambiar sin aviso, y que no puedes descargar, es difícil de validar y más difícil aún de mantener validado.
Los modelos genéricos no conocen las categorías de tu institución
Cada institución tiene su propia taxonomía de transacciones, nombres de productos, niveles de riesgo y estilo interno. Los modelos generales clasifican según una idea genérica de las finanzas, y su resultado necesita muchas correcciones antes de encajar en tus categorías.
Construir o comprar: una disyuntiva difícil
Construir una plataforma interna de ML es una inversión de varios años. Depender por completo de API frontera significa pagar por token indefinidamente por trabajo que podría hacer un modelo entrenado más pequeño. Las instituciones necesitan un camino intermedio.
How Ertas Solves This
Ertas Studio entrena un modelo a medida con ejemplos de tu propio trabajo: descripciones de transacciones con las categorías que asignan tus analistas, documentos regulatorios con los campos que extrae tu equipo, consultas de clientes con las respuestas que permite tu política. Los analistas pueden crear, corregir y aprobar esos ejemplos en Data Craft, el editor guiado de datasets de Studio. Studio hace ajuste fino con LoRA de modelos abiertos como Llama, Qwen, Mistral o Gemma en las GPU en la nube de Ertas desde un lienzo visual, con varios entrenamientos en paralelo para comparar configuraciones.
Los datos de entrenamiento se suben a Ertas para entrenar, así que prepáralos primero según tus propias normas de manejo de datos y elimina los identificadores de cuenta que la tarea no necesita. Los datasets se guardan para poder repetir los entrenamientos, y puedes eliminarlos.
El modelo entrenado es tuyo. Descárgalo como GGUF o como safetensors completos y ejecútalo en tu propia infraestructura con llama.cpp, Ollama o vLLM, donde los datos de producción se quedan contigo. Como conservas el archivo del modelo y la versión del dataset con la que se entrenó, tu equipo de riesgo de modelos puede probarlo, documentarlo y revalidarlo como cualquier otro modelo de tu inventario. Responder a las expectativas de tus reguladores sigue siendo trabajo de tu institución.
Para una tarea de gran volumen que ya funciona con una API frontera, el endpoint de modelo adaptativo ofrece un camino gradual: una sola API, un modelo a medida que asume una parte creciente de las solicitudes cuando supera tus evaluaciones, y los casos difíciles en el modelo frontera. Puede funcionar gestionado por Ertas, en tu propia nube o en tus instalaciones. Los programas más grandes pueden empezar con un proyecto empresarial: una auditoría gratuita del caso de uso, una prueba de concepto de tres a cuatro semanas, el desarrollo y después la operación y el reentrenamiento.
Key Features for Servicios financieros y banca
Datos de entrenamiento creados por analistas
Data Craft permite a los analistas escribir y corregir intercambios de ejemplo, versionarlos y controlar cuáles están aprobados para entrenar. Así, el modelo aprende las categorías de tu institución de las personas que las aplican.
Datasets versionados y entrenamientos repetibles
Data Craft versiona tus ejemplos y Studio guarda la configuración de cada entrenamiento, de modo que puedes repetirlo y relacionar cada modelo con los datos y la configuración que lo produjeron.
Modelos que conservas
Cada modelo entrenado aparece en Hub y se descarga como GGUF para llama.cpp u Ollama, o como safetensors completos para vLLM y otros entornos de servidor. Ejecútalo detrás de tu propio firewall sin depender de Ertas en tiempo de ejecución.
Endpoint de modelo adaptativo
Para una tarea de gran volumen, el endpoint de modelo adaptativo te da una sola API. Un modelo a medida entrenado con tus propias solicitudes y los comentarios de tu equipo asume una parte creciente del tráfico cuando supera tus evaluaciones, y los casos difíciles siguen en el modelo frontera que ya usas. Adoptarlo consiste en apuntar tus llamadas a la API existentes a un nuevo nombre de modelo.
Why It Works
- En el benchmark de resumen de reuniones QMSum, un modelo de 1.2B entrenado con Ertas obtuvo 35.41 de ROUGE-1, frente a 32.43 del mejor de cinco modelos frontera alojados. Un modelo pequeño entrenado para una tarea puede superar en esa tarea a modelos generales mucho más grandes.
- Los modelos se exportan como GGUF o safetensors completos, así que funcionan con llama.cpp, Ollama, LM Studio o vLLM dentro de tu propia infraestructura.
- Un modelo autoalojado solo cambia cuando lo reentrenas, así que tu equipo de validación puede probarlo según su propio calendario.
Example Workflow
Un banco mediano quiere priorizar las descripciones de sus Reportes de Actividad Sospechosa para que los casos de mayor riesgo lleguen primero a los analistas sénior. El equipo de tecnología de cumplimiento exporta 3,000 descripciones históricas con el nivel de riesgo y la tipología asignados a cada una, elimina los números de cuenta y nombres que la tarea no necesita, y les da formato de dataset JSONL.
Analistas BSA con experiencia revisan los ejemplos en Data Craft, corrigen las etiquetas inconsistentes y aprueban el conjunto final. El equipo lanza tres entrenamientos en paralelo en Ertas Studio con distintos modelos base y los compara con un conjunto reservado de descripciones recientes.
El modelo elegido se descarga como archivo GGUF y se sirve en el servidor GPU del propio banco, detrás del firewall. Puntúa previamente las descripciones entrantes, los analistas toman todas las decisiones finales y el equipo de riesgo de modelos lo documenta junto con la versión del dataset y la configuración que lo produjeron.
Related Resources
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $10/mo USD.