Ertas para Finanzas

The Challenge

Las instituciones financieras operan en uno de los entornos más ricos en datos y cargados de regulaciones del planeta. Desde la modelización de riesgo y la detección de fraude hasta los reportes regulatorios y las comunicaciones con clientes, las aplicaciones potenciales de la IA son enormes, pero también lo son las consecuencias. Un reporte de cumplimiento alucinado o una puntuación de riesgo inexacta puede desencadenar acciones regulatorias, pérdidas financieras y daño reputacional. Los modelos de lenguaje genéricos carecen del conocimiento de dominio para analizar presentaciones ante la SEC, interpretar los requisitos de capital de Basilea III o distinguir entre patrones de transacción legítimos e indicadores sutiles de fraude.

Al mismo tiempo, los datos financieros se encuentran entre las categorías de información más sensibles que existen. Los detalles de cuentas de clientes, estrategias de trading, modelos de riesgo propietarios y hallazgos de auditoría interna están todos sujetos a marcos regulatorios superpuestos: SOX para controles internos, PCI-DSS para datos de pago, reglas de la SEC y FINRA para actividades de trading y asesoría, y GDPR o CCPA para datos personales de clientes. Enviar cualquiera de esta información a la API de un proveedor de IA de terceros introduce preocupaciones de residencia de datos, auditabilidad y riesgo de proveedor que la mayoría de los equipos de cumplimiento rechazarán directamente.

The Solution

Ertas permite a las instituciones financieras crear modelos especializados que les pertenecen y que ejecutan en su propia infraestructura. En Ertas Studio, los analistas cuantitativos y los equipos de ciencia de datos ajustan con LoRA modelos abiertos sobre datasets financieros: transcripciones de llamadas de resultados, notas de análisis internas, registros de transacciones anonimizados y documentos regulatorios. Las ejecuciones se pueden repetir, varias pueden correr en paralelo y el equipo las compara antes de elegir una. Los modelos resultantes aprenden la terminología financiera, las normas contables y las convenciones de mercado presentes en tus propios ejemplos. El entrenamiento se ejecuta en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas: anonimízalo o minimízalo primero, y deja fuera los números de cuenta y los datos personales de clientes.

Cuando un modelo supera tu propia evaluación, lo exportas desde Hub en GGUF o safetensors y lo sirves dentro de tu VPC o centro de datos propio con vLLM, llama.cpp u Ollama. Las solicitudes y respuestas de inferencia se quedan en esos servidores, el modelo no depende de Ertas para funcionar, y tus controles de acceso, registros y procesos de gestión del riesgo de modelos se aplican a él como a cualquier otro sistema interno. Los equipos que ya envían una tarea a un modelo frontier mediante llamadas a la API también pueden preguntar por el endpoint de modelo adaptativo, que puede ejecutarse gestionado por Ertas, en su propia nube o en sus instalaciones. Para un proyecto más amplio, el equipo empresarial de Ertas empieza con una auditoría gratuita del caso de uso y una prueba de concepto de tres a cuatro semanas, y el modelo entrenado es propiedad de la institución.

Key Features

Example Workflow

El equipo de analítica de riesgos de un banco regional quiere mejorar su flujo de revisión de fraude. Exporta 200.000 registros de transacciones anonimizados, etiquetados con los casos de fraude confirmados, elimina los números de cuenta y los datos personales de clientes, y sube el resultado a Ertas Studio como un dataset JSONL. Los analistas de fraude revisan una muestra en Data Craft y redactan y aprueban la explicación de cada caso marcado. En Studio, el equipo lanza en paralelo el fine-tuning LoRA de Mistral 7B y Llama 3.1 8B, orientado a clasificar transacciones y explicar anomalías, y compara ambas ejecuciones con un conjunto reservado de casos que sus analistas ya han resuelto. Exporta el modelo más sólido desde Hub en safetensors y lo sirve con vLLM en el centro de datos propio del banco, accesible solo desde el pipeline de monitorización de fraude. El modelo puntúa transacciones y marca patrones sospechosos con explicaciones que revisan los analistas, y el equipo mide los falsos positivos frente a sus reglas actuales antes de ampliar el despliegue. Los datos de clientes en producción se quedan dentro de la red del banco, y los sistemas de monitorización del propio banco registran las entradas y salidas del modelo.