A Pepperstone usa machine learning na AWS para oferecer uma experiência comercial global perfeita

Ao escolher uma corretora on-line, a confiança e o atendimento ao cliente são critérios importantes. Plataformas de negociação com uma longa história e várias licenças regulatórias tendem a ser apostas seguras. No Broker Awards de 2021, a DayTrading.com nomeou a Pepperstone como a Melhor Corretora de Forex, principalmente por sua presença global e “plataformas ultraconfiáveis.” A Pepperstone é uma plataforma de negociação on-line de câmbio (forex) e valores mobiliários com sede em Melbourne, com mais de 40 mil visitantes únicos por mês.

Desde sua fundação em 2010, a Pepperstone conta com a nuvem Amazon Web Services (AWS). “A AWS oferece inovação frequente e soluções flexíveis e prontas para uso que nos ajudam a administrar nossos negócios com mais eficiência”, diz Tony Gruebner, diretor de marketing da Pepperstone. A conteinerização e o uso de serviços gerenciados prontos para uso, como o Amazon Elastic Kubernetes Service (Amazon EKS), têm sido fundamentais para a capacidade da Pepperstone de aumentar rapidamente sua base de clientes e escalar seus serviços com segurança. Somente em 2020, a Pepperstone relatou um crescimento de 20% a 30%.

Com o Amazon EKS, a Pepperstone pode padronizar as operações em qualquer ambiente, aproveitando a automação para implantações consistentes em várias regiões à medida que se expande para novos países. Em 2020, a Pepperstone obteve cinco novas licenças regulatórias de agências como a Autoridade de Serviços Financeiros de Dubai, além das duas licenças que possuía anteriormente na Austrália e no Reino Unido. O impulso regulatório da empresa abriu novas regiões, incluindo África e Europa.

O machine learning (ML) e a inteligência artificial (IA) são as principais tecnologias da Pepperstone. Além de uma equipe de TI de 70 profissionais espalhados por quatro países, a empresa possui uma equipe de ciência de dados em Melbourne dedicada ao desenvolvimento de modelos de ML. Inicialmente, os cientistas de dados desenvolveram seus próprios algoritmos para serem executados na AWS. Em seguida, eles migraram para o Amazon SageMaker em 2019 com o AWS Fargate para automatizar a criação e a implantação de modelos de ML.

Ao mudar para o Amazon SageMaker para treinamento de modelos, a equipe de ciência de dados da Pepperstone não teve problemas em adaptar a ferramenta aos seus fluxos de trabalho. “A curva de aprendizado de novas ferramentas de IA ou ML geralmente é bastante acentuada, mas começamos a usar o Amazon SageMaker imediatamente. Economizamos muito tempo desde o primeiro dia hospedando, treinando e implantando no ambiente da AWS”, diz Samuel Ellett, cientista-chefe de dados da Pepperstone. O tempo necessário para treinar modelos de ML caiu de 180 horas em máquinas locais para 4,3 horas no Amazon SageMaker.

Para obter novas licenças regulatórias, a Pepperstone teve que demonstrar que tinha um processo rigoroso de conhecer seu cliente (KYC) para selecionar os comerciantes que acessavam a plataforma. Antes de implementar o Amazon SageMaker, grande parte do processo de revisão de documentos era manual. A equipe verificava pessoalmente a autenticidade dos documentos enviados, como imagens de passaportes. Muitas vezes, eles passavam horas integrando um cliente e, dias depois, descobriam que ele não era quem dizia ser.

Agora, a Pepperstone pode reconhecer possíveis fraudes no mesmo dia em que novos clientes enviam seus documentos, implantando modelos de detecção de fraudes no Amazon SageMaker. Cientistas de dados treinaram seus modelos de ML para comparar documentos enviados com milhões de imagens armazenadas em um data lake do Amazon Simple Storage Service (Amazon S3), incluindo imagens autênticas e alteradas de documentos de identificação comuns em todo o mundo.

Em seguida, o sistema atribui uma pontuação a cada cliente em potencial, com uma porcentagem revelando a probabilidade de adulteração ilícita na documentação enviada. A equipe de integração recebe os resultados e acompanha os envios sinalizados para solicitar uma prova adicional de identidade. Isso melhora o processo de tomada de decisão da equipe, o que leva a uma redução no tempo gasto no processamento manual de verificações de identidade.

Além da economia de tempo, o nível de detalhe e precisão que o Amazon SageMaker oferece é muito superior ao que os humanos poderiam alcançar. “Não teria sido possível para humanos comparar 3 milhões de documentos e, muitas vezes, os elementos fraudulentos são tão pequenos que é muito difícil para um olho humano detectar”, diz Ellett. 

Acelerar o processo de integração também beneficia novos clientes. A concorrência é acirrada entre as plataformas de negociação on-line e os negociadores não estão presos a uma plataforma específica. Portanto, um processo de integração contínuo é fundamental para estabelecer confiança com a Pepperstone. “A automatização da integração com ML nos ajudou não apenas operacionalmente, mas também criou um processo mais contínuo que melhora enormemente a experiência do cliente. Nosso objetivo é tornar a negociação agradável, e parte disso é evitar atrasos desnecessários ou barreiras à entrada”, explica Gruebner.

A Pepperstone também está usando modelos de ML gerados no Amazon SageMaker para auxiliar a equipe de vendas na avaliação e conversão de leads. Atribuir uma pontuação a cada cliente ao integrar a plataforma permite que a equipe de vendas direcione os esforços de atendimento ao cliente. A pontuação é atualizada em tempo real à medida que os dados dos clientes se acumulam enquanto navegam pelo site da Pepperstone. Isso ajuda a equipe de vendas a gerenciar melhor as workloads e a fornecer um nível de serviço personalizado que diferencia a empresa no mercado de corretoras on-line. “O Amazon SageMaker é uma ferramenta fantástica para garantir que todo o pipeline de ciência de dados seja o mais integrado e automatizado possível, enviando dados quando e onde você precisar”, acrescenta Gruebner.

Como resultado da funcionalidade pronta para uso adquirida com o Amazon SageMaker, a equipe de ciência de dados da Pepperstone não depende mais de engenheiros de DevOps ocupados. Os engenheiros de dados ainda confiam na equipe de DevOps para configurar um ambiente de área restrita para testes no Amazon SageMaker, mas uma vez feito isso, eles podem executar provas de conceito de forma independente. “Nós efetivamente desbloqueamos um conflito de recursos entre as equipes de dados e DevOps. O Amazon SageMaker facilitou a criação rápida de algo, o teste de nossa hipótese e o encerramento logo em seguida, para que não custe muito. Como resultado, estamos realizando mais experimentos”, conclui Ellett.

 Para saber mais, visite aws.amazon.com/machine-learning e aws.amazon.com/startups.