Universidade Federal de Goiás e Recovery desenvolvem projeto de Inteligência Artificial para negociações de dívidas

Projeto foi desenvolvido em parceria com o Centro de Excelência em IA da universidade e usa o modelo de aprendizagem por reforço, mesma técnica do ChatGPT. O valor investido no projeto foi revertido em bolsas de estudo

A Recovery, empresa do Grupo Itaú e plataforma especialista em recuperação de crédito no Brasil, acaba de lançar uma nova forma de ajudar os brasileiros a quitarem suas dívidas que utiliza a inteligência artificial (I.A.) para entender o melhor momento de cada cliente. O projeto foi desenvolvido em parceria com o Centro de Excelência em Inteligência Artificial (CEIA), ligado à Universidade Federal de Goiás (UFG) e usa o que há de mais avançado na área de tecnologia, que é o aprendizado por reforço, a mesma técnica que está ajudando a alavancar o ChatGPT.

O objetivo é oferecer descontos de forma mais personalizada para os clientes da Recovery. Uma das maiores dificuldade, hoje, é que muitas vezes a oferta da renegociação não cabe no “bolso” do cliente. É aí que entra a vantagem da inteligência artificial, que, com base em dezenas de informações, consegue chegar em um valor de acordo que a pessoa consiga pagar e se livrar das dívidas. Desde o início do projeto até hoje, mais de 6 milhões de pessoas com dívidas já foram impactadas por essa nova metodologia de descontos e dezenas de milhões de reais já foram pagos.

No mundo tradicional de crédito e cobrança, modelos estatísticos e machine learning já são utilizados há bastante tempo, mas esses modelos mais clássicos são baseados em dados de treinamentos do passado. Com o aprendizado por reforço, além de personalizar bastante a tratativa com os clientes, é possível descobrir casos de melhor preço mesmo que ele nunca tenha sido praticado antes. É uma abordagem que consegue aprender com pouquíssimos vieses humanos e que estava, até pouco tempo atrás, limitada a treinamentos teóricos e jogos, como o xadrez e o ‘go’ e que agora está à disposição para solucionar problemas reais das empresas.

“Os modelos de aprendizado por reforço aprendem através das suas próprias decisões, por isso conseguem aprender sem o viés humano. Quando se trata de um jogo, isso é mais simples. Você deixa o algoritmo jogando milhares de partidas até aprender, mas nas empresas esse não é um cenário adequado. Resolvemos esse problema utilizando uma abordagem ‘meio termo’, que une o melhor das técnicas tradicionais e o melhor das mais avançadas. Usamos um método para reaproveitar os dados históricos e fazer com que o modelo não parta do zero, aprendendo apenas com as melhores decisões do passado e, depois que ele já tomava decisões tão boas quanto o humano, ele fica livre para aprender dali em diante”, diz o CFO e Diretor de Dados da Recovery, Renato Avelar.

Com o mindset de startup, ou seja, de conseguir errar e aprender rapidamente, o especialista conta que o principal aprendizado foi, primeiro, investir tempo na melhor arquitetura de testes e só depois começar a testar novas abordagens. “Ao invés de sair fazendo políticas de desconto logo no início do projeto, dedicamos tempo, primeiro, para que esses testes fossem ágeis e baratos para só em seguida colocar essas políticas em prática rapidamente em nossa plataforma e da melhor maneira para nossos clientes. Erros são normais em um projeto de pesquisa, então, o que queríamos era errar o mais rápido possível. Foram centenas de erros rápidos e baratos até conseguirmos calibrar tudo e começar a colher os frutos”, afirma o especialista. 

“Os projetos em parceria com empresas trazem diversos benefícios para a universidade e o primeiro deles é que nos permite colocar de forma precoce os estudantes em contato com problemas reais e demandas do mercado. Outro benefício importante que vale destacar é que a partir do contato com os problemas reais enfrentados pelas empresas é que nós, pesquisadores, conseguimos focar as pesquisas onde elas podem trazer o resultado mais imediato para a sociedade como um todo”, diz Telma Soares, diretora executiva da unidade Embrapii CEIA-UFG responsável pelo projeto.

Para o pesquisador da UFG, Luckeciano Carvalho Melo, o projeto da Recovery envolve diversos desafios para agentes de tomada de decisão. “Existe um grande volume de usuários com perfis distintos e o agente precisa selecionar o melhor desconto, baseado nas características individuais. A priori, não existe desconto certo ou errado, de forma que ele precisa explorar diferentes opções pra definir a melhor estratégia personalizada”, diz.

Além disso, o desfecho de um desconto proposto pode demorar meses para acontecer, e esse feedback é vital para melhorar as próximas decisões.”

Além do investimento feito pela Recovery, o projeto contou ainda com o co-investimento da Embrapii (Empresa Brasileira de Pesquisa e Inovação Industrial) e uma contrapartida não financeira da UFG. Parte desse valor foi revertido em bolsas de estudo para 16 pesquisadores, entres estudantes de graduação, mestrado e doutorado.