Canopy usa Machine Learning para automatizar o processamento de declarações financeiras na AWS

Pessoas que possuem ativos financeiros de diversas fontes podem gastar muito tempo para manter uma única e abrangente visão do seu patrimônio líquido, uma vez que ele precisa ser localizado e compilado manualmente. Esse é um desafio constante para pessoas com alto poder aquisitivo, que tendem a alocar ativos de forma mais diversificada.

Fundada em 2013 em Singapura, a Canopy busca resolver esse problema. A empresa fornece às pessoas com alto poder aquisitivo uma visão consolidada dos seus ativos, através da análise de declarações financeiras, e da extração e compilação de informações relevantes em um único painel de exibição. Com a plataforma da Canopy, seus clientes podem acompanhar facilmente os ativos enquanto comparam o desempenho financeiro, estratégias e realizam market timing com seus respectivos parceiros.

Como uma plataforma nativa de nuvem da Amazon Web Services (AWS), a Canopy automatizou grande parte das suas operações diárias. Entretanto, a análise das declarações financeiras ainda era realizada manualmente e desejava-se automatizar esse processo com machine learning (ML) e reconhecimento óptico de caracteres (OCR), para torná-lo mais eficiente.

“A aplicação do machine learning em qualquer análise de dados é um empreendimento complexo. O Amazon SageMaker usa ML para extrair automaticamente textos e dados, indo além da simples utilização do OCR, o que nos permitiu processar automaticamente quase 100.000 documentos financeiros até o momento”, disse Amit Gupta, diretor de tecnologia da Canopy.

No início das operações da Canopy, a equipe de dados escaneava documentos financeiros de clientes de diversas fontes. A Canopy se conectava a aproximadamente 400 bancos depositários e recebia dados em vários formatos, inclusive de interface de programação de aplicações (API), feeds de dados, serviços de relatórios e no formato SWIFT (Sociedade de Telecomunicações Financeiras Interbancárias Mundiais).

A equipe também recebia declarações de transações de clientes por e-mail, arquivos de Excel, PDF e por imagens escaneadas, o que tornava a análise de dados do cliente um processo demorado e caro. A Canopy iniciou uma jornada para automatizar os processos e preparar a empresa para o futuro.

“Estávamos gastando centenas de horas de trabalho braçal, toda semana, processando declarações financeiras, o que não é sustentável para o crescimento dos negócios. Começamos a experimentar modelos de software livre baseados em ML por nossa conta e, em um ano e meio, conseguimos semiautomatizar o processamento de dados financeiros dos nossos clientes” disse Gupta.

Logo em seguida, a Canopy se deparou com um obstáculo: a equipe precisava atualizar continuamente os modelos de ML para o reconhecimento e processamento de novas informações de 20% dos registros financeiros recebidos mensalmente. Mesmo gastando menos tempo com análise de dados de clientes, foi necessário focar no processamento dos dados e melhorar sua qualidade para os modelos de ML, o que tomou muito tempo do gerenciamento dos investimentos e relações com clientes.

Em seu modelo anterior, a Canopy não podia capacitar novamente os modelos de ML enquanto estavam em uso, e reordenava trabalhos em fins de semana, para minimizar a paralisação em sua plataforma o máximo possível. Esse processo de qualificação podia levar até 48 horas por semana. A Canopy buscou a AWS para entender como esse processo poderia ser otimizado e para melhorar suas capacidades com OCR.

“Começamos perguntando se o processo de requalificação de nossos modelos de ML poderia ser inteiramente automatizado. Foi nesse momento que o conselho da AWS se provou indispensável”, disse Gupta. “A equipe da AWS nos direcionou para o caminho certo com o Amazon SageMaker, e nos guiou durante sua implementação para garantir que estávamos sempre recebendo suporte”.

O Amazon SageMaker permitiu que a Canopy desenvolvesse de maneira eficiente seus modelos de ML e melhorasse suas capacidades de OCR sem ter que investir na contratação de mais engenheiros de dados. Essa solução possibilitou que a Canopy consolidasse a criação, treinamento e implantação de modelos de ML em uma plataforma. O SageMaker atualizará os modelos de ML automaticamente, sempre que descobrir uma nova informação, enquanto analisa os registros financeiros.

Com seus recursos de ML, a Canopy agora processa 2.000 registros financeiros de clientes por mês, permitindo que sua equipe responsável pelos dados foque na inovação de produtos e ajudando a atingir 300% de crescimento em seus negócios. Eles agora atendem a milhares de clientes e têm USD 120 bilhões em ativos sob gerenciamento desde 2021.

A empresa está buscando formas de atender o aumento da demanda de usuários em dez vezes, agora que otimizou seu processamento de dados com a AWS.

Futuramente, a Canopy planeja expandir suas operações nos Estados Unidos em 2021, e definiu a meta de dobrar seus ativos sob gerenciamento até o fim de 2021. A empresa pretende acionar a AWS Managed Services (AMS) para mais assistência em seu setor operacional, para receber apoio em seus planos de crescimento.

“A AWS nos ajudou a obter nossos recursos de ML de forma que possamos processar meses de dados em dias. Se notássemos um aumento em dez vezes no número de documentos financeiros que deveriam ser processados no dia seguinte, poderíamos fazer isso facilmente. Temos agora uma grande liberdade para expandir nossos negócios e isso é exatamente o que planejamos fazer” concluiu Gupta.

 Para saber mais, acesse aws.amazon.com/sagemaker.