Canopy utiliza el machine learning para automatizar el procesamiento de estados financieros en AWS

Para las personas con activos financieros de múltiples fuentes, mantener una visión única y completa de su patrimonio neto puede llevar mucho tiempo, ya que tendrán que seguir y recopilar manualmente sus posesiones financieras. Este es un reto constante para las personas con un patrimonio neto elevado, que tienden a tener una asignación de activos más diversificada.

Canopy, fundada en 2013 en Singapur, pretende resolver este problema. Canopy ofrece a las personas con un patrimonio neto elevado una visión consolidada de sus diversas posesiones financieras, mediante el análisis de sus estados financieros, así como la extracción y cotejo de la información relevante en un único panel. Con la plataforma de Canopy, las personas con un patrimonio neto elevado pueden hacer fácilmente un seguimiento de sus activos mientras comparan el rendimiento financiero, la estrategia y el momento del mercado con sus pares.

Como plataforma nativa en la nube de Amazon Web Services (AWS), Canopy había automatizado gran parte de sus operaciones cotidianas. Sin embargo, seguía con el análisis manual de los estados financieros y quería automatizar este proceso con machine learning (ML) y reconocimiento óptico de caracteres (OCR) para hacerlo más eficiente.

«Aplicar el machine learning a cualquier análisis de datos es una tarea compleja: Amazon SageMaker utiliza el ML para extraer automáticamente texto y datos, lo que va más allá del simple OCR y nos permite procesar automáticamente casi 100 000 documentos financieros hasta la fecha», afirma Amit Gupta, director de Tecnología de Canopy.

Cuando comenzó sus operaciones, el equipo de datos de Canopy escaneaba de forma manual los documentos financieros de un cliente desde múltiples fuentes. Canopy se conecta a unos 400 bancos custodios y recibiría datos en varios formatos, como interfaces de programación de aplicaciones (API), fuentes de datos, servicios de información y en el formato de la Sociedad para las Telecomunicaciones Financieras Interbancarias Mundiales (SWIFT).

El equipo también recibía los extractos de las transacciones de los clientes en correos electrónicos, archivos Excel, formato de documento portátil (PDF) e imágenes escaneadas, lo que hacía que el análisis de los datos de los clientes fuera un proceso largo y costoso. Canopy emprendió un viaje para automatizar el proceso y preparar su negocio para el futuro.

«Dedicábamos cientos de horas de trabajo, cada semana, a procesar los estados financieros, lo que no era sostenible para el crecimiento empresarial. Empezamos a experimentar con modelos de ML de código abierto por nuestra cuenta y, en un año y medio, conseguimos semiautomatizar el procesamiento de los datos financieros de nuestros clientes», afirma Gupta.

Poco después, Canopy se topó con un muro en su camino hacia la automatización: el equipo tenía que actualizar continuamente sus modelos de ML para reconocer y procesar nueva información en el 20 % de los registros financieros recibidos mensualmente. Aunque el equipo dedicaba menos tiempo a analizar los datos de los clientes, ahora tenía que centrarse en el procesamiento de los datos y en mejorar su calidad para los modelos de ML, lo que le restaba tiempo a la gestión de las inversiones y a las relaciones con los clientes.

Con su configuración anterior, Canopy no podía volver a entrenar los modelos de ML mientras se usaban, lo que le obligaba a trabajar los fines de semana para minimizar al máximo el tiempo de inactividad de su plataforma: el proceso de reentrenamiento podía ser de hasta 48 horas a la semana. Canopy recurrió a AWS para que le asesorara sobre cómo agilizar este proceso y mejorar sus capacidades de OCR.

«Empezamos por preguntarnos si el proceso de reentrenamiento de nuestros modelos de ML podía automatizarse por completo; aquí es donde el consejo de AWS resultó ser invaluable», dice Gupta. «El equipo de AWS nos indicó la dirección correcta con Amazon SageMaker y nos guio durante su implementación para asegurarse de que estuviéramos siempre respaldados».

Amazon SageMaker permitió a Canopy desarrollar eficazmente sus modelos de ML y mejorar sus capacidades de OCR sin tener que invertir en la contratación de más ingenieros de datos: la solución permite a Canopy consolidar la creación, el entrenamiento y el despliegue de modelos de ML en una sola plataforma. SageMaker actualizará los modelos ML automáticamente, siempre que descubra nueva información mientras analiza los registros financieros.

Con sus capacidades de ML, Canopy procesa ahora 2000 registros financieros de clientes al mes, lo que permite a su equipo de datos centrarse en la innovación de productos, y ayuda a conseguir un crecimiento del 300 % en el negocio. Ahora atiende a miles de clientes y cuenta con 120 000 millones de USD en activos gestionados a partir de 2021.

La compañía busca escalar para satisfacer una demanda de usuarios diez veces mayor, ahora que logró racionalizar su procesamiento de datos con AWS.

De cara al futuro, Canopy tiene previsto ampliar sus operaciones a Estados Unidos en 2021 y se plantea como objetivo duplicar sus activos bajo gestión para finales de 2021. La compañía tiene la intención de contratar AWS Managed Services (AMS) para obtener una mayor asistencia en sus operaciones de backend, para apoyar sus planes de crecimiento.

«AWS nos ha ayudado a llevar nuestras capacidades de ML a una posición en la que podemos procesar datos de meses en días: si mañana viéramos que el número de documentos financieros que tenemos que procesar para los clientes se multiplica por diez, podemos cumplirlo fácilmente. Ahora tenemos más libertad para ampliar nuestro negocio, y eso es exactamente lo que pensamos hacer», concluye Gupta.

 Para obtener más información, visite aws.amazon.com/sagemaker.