Canopy usa il machine learning per automatizzare l'elaborazione dei rendiconti finanziari su AWS

Per le persone che possiedono attività finanziarie da più fonti, mantenere una visione unica e completa del proprio patrimonio netto può essere dispendioso in termini di tempo, in quanto è necessario tenere traccia e compilare manualmente le proprie disponibilità finanziarie. Si tratta di una sfida costante per i soggetti con un patrimonio netto elevato, che tendono ad avere un'allocazione di asset diversificata.

Fondata nel 2013 a Singapore, Canopy mira a risolvere questo problema. Canopy offre ai soggetti con un elevato patrimonio netto una visione consolidata delle loro diverse partecipazioni finanziarie, analizzando i loro rendiconti finanziari, estraendo e riunendo le informazioni rilevanti in un unico cruscotto. Con la piattaforma di Canopy, i soggetti con un elevato patrimonio netto possono facilmente tenere traccia dei loro beni e confrontare le performance finanziarie, la strategia e il market timing con i loro colleghi.

Come piattaforma nativa del cloud di Amazon Web Services (AWS), Canopy aveva automatizzato gran parte delle operazioni quotidiane. Tuttavia, l'azienda analizzava ancora i bilanci manualmente e desiderava automatizzare questo processo con il machine learning (ML) e il riconoscimento ottico dei caratteri (OCR) per renderlo più efficiente.

"L'applicazione del machine learning a qualsiasi analisi dei dati è un'impresa complessa: Amazon SageMaker utilizza il ML per estrarre automaticamente testo e dati, andando oltre il semplice OCR e consentendoci di elaborare automaticamente quasi 100.000 documenti finanziari", afferma Amit Gupta, Chief Technology Officer di Canopy.

All'inizio della sua attività, il team dati di Canopy analizzava manualmente i documenti finanziari di un cliente da più fonti. Canopy si collega a circa 400 banche depositarie e riceve dati in vari formati, tra cui API (Application Programming Interface), feed di dati, servizi di reporting e in formato SWIFT (Society for Worldwide Interbank Financial Telecommunications).

Il team riceveva anche gli estratti conto delle transazioni dei clienti in e-mail, file Excel, Portable Document Format (PDF) e immagini scansionate, il che rendeva l'analisi dei dati dei clienti un processo lungo e costoso. Canopy ha intrapreso un viaggio per automatizzare il processo e rendere l'azienda pronta ad affrontare il futuro.

"Spendevamo centinaia di ore, ogni settimana, per elaborare i bilanci, e non era sostenibile per la crescita dell'azienda. Abbiamo iniziato a sperimentare modelli di ML open-source per conto nostro e nel giro di un anno e mezzo siamo riusciti a semi-automatizzare l'elaborazione dei dati finanziari dei nostri clienti", spiega Gupta.

Poco dopo, Canopy ha incontrato un ostacolo nel suo percorso di automazione: il team ha dovuto aggiornare continuamente i modelli di ML per riconoscere ed elaborare nuove informazioni nel 20% dei documenti finanziari ricevuti mensilmente. Anche se il team dedicava meno tempo all'analisi dei dati dei clienti, ora doveva concentrarsi sull'elaborazione dei dati e sul miglioramento della qualità dei dati per i modelli di ML, sottraendo tempo alla gestione degli investimenti e delle relazioni con i clienti.

Con la configurazione precedente, Canopy non poteva riqualificare i modelli di ML mentre erano in uso e ricorreva al lavoro nei fine settimana, per minimizzare il più possibile i tempi di inattività della piattaforma: il processo di riqualificazione poteva richiedere fino a 48 ore alla settimana. Canopy si è rivolta ad AWS per avere una consulenza su come snellire questo processo e migliorare le sue capacità OCR.

"Abbiamo iniziato chiedendo se il processo di riqualificazione dei nostri modelli di ML potesse essere completamente automatizzato: è qui che la consulenza di AWS si è rivelata preziosa", spiega Gupta. "Il team di AWS ci ha indicato la giusta direzione con Amazon SageMaker e ci ha guidato durante l'implementazione per assicurarci di essere sempre supportati".

Amazon SageMaker ha permesso a Canopy di sviluppare in modo efficiente i suoi modelli di ML e di migliorare le sue capacità OCR senza dover investire nell'assunzione di altri ingegneri dei dati: la soluzione consente a Canopy di consolidare la costruzione, l'addestramento e l'implementazione dei modelli di ML su un'unica piattaforma. SageMaker aggiorna automaticamente i modelli di ML ogni volta che scopre nuove informazioni durante l'analisi dei dati finanziari.

Grazie alle sue capacità di ML, Canopy elabora ora 2.000 record finanziari dei clienti al mese, consentendo al team dati di concentrarsi sull'innovazione dei prodotti e contribuendo a una crescita del 300% dell'attività. Oggi serve migliaia di clienti e ha un patrimonio in gestione di 120 miliardi di dollari nel 2021.

L'azienda sta cercando di scalare per soddisfare una decuplicazione della domanda degli utenti, ora che ha ottimizzato l'elaborazione dei dati con AWS.

In prospettiva, Canopy prevede di espandere le proprie attività negli Stati Uniti nel 2021 e ha fissato l'obiettivo di raddoppiare il proprio patrimonio in gestione entro la fine del 2021. L'azienda intende avvalersi di Servizi gestiti AWS (AMS) per una maggiore assistenza nelle operazioni di back-end, a sostegno dei suoi piani di crescita.

"AWS ci ha aiutato a portare le nostre capacità di ML a una posizione tale da poter elaborare dati di mesi in pochi giorni: se domani dovessimo assistere a una decuplicazione del numero di documenti finanziari da elaborare per i clienti, potremmo facilmente farvi fronte. Ora abbiamo maggiore libertà di espandere la nostra attività, ed è proprio quello che intendiamo fare", conclude Gupta.

 Per ulteriori informazioni visita aws.amazon.com/sagemaker.