Treinar um LLM para bancos tem 3 etapas: pré-treinamento massivo, fine-tuning de domínio e aprendizado com feedback humano (RLHF). Os avaliadores aplicam 8 critérios (veracidade, segurança, clareza e mais). A Delto leva isso à produção com o BLAM: mais de 300 Skills bancárias prontas para usar na LATAM.
A inteligência artificial generativa está transformando muitas indústrias, entre elas a banca na América Latina. Chatbots inteligentes, motores de recomendação personalizados e assistentes virtuais capazes de entender e responder em linguagem natural já não são futuro: são presente. Mas há uma pergunta que muitos líderes ainda não fazem e que é fundamental para tomar decisões informadas: como esses modelos de linguagem (LLMs) são treinados e qual o impacto disso no meu negócio? Na Delto, onde ajudamos bancos a adotar inteligência artificial generativa de forma segura e estratégica, acreditamos que entender o processo de treinamento é essencial. Porque, se o seu banco vai confiar decisões, recomendações ou respostas a uma IA, é melhor saber como ela foi educada. Etapas-chave do treinamento de LLMs Pré-treinamento massivo Para começar, o modelo é treinado com grandes volumes de texto público: livros, artigos acadêmicos, páginas web, fóruns, entre outros. O objetivo é aprender a prever a próxima palavra em uma frase, entendendo padrões gramaticais, semânticos e de estilo. Isso permite ao modelo gerar texto fluido e coerente, mas não garante que seja preciso, seguro ou útil em contextos críticos como o bancário. Especialização por fine-tuning Nesta etapa, o modelo é ajustado com dados mais relevantes para o domínio específico: interações reais de atendimento ao cliente, documentos regulatórios, manuais internos. Assim, ele começa a entender melhor o jargão financeiro, as necessidades do cliente bancário e o tom adequado. Esse processo também permite cumprir marcos regulatórios específicos e adaptar o modelo ao contexto cultural e jurídico da América Latina. Aprendizado com feedback humano (RLHF) Esta é a etapa mais crítica para conseguir modelos confiáveis. Nela, há pessoas encarregadas de avaliar duas respostas do modelo a um mesmo prompt (A e B), escolhendo qual é melhor e justificando por quê. Esse feedback é usado para treinar o modelo a preferir respostas mais úteis, seguras e claras. Os avaliadores humanos aplicam um conjunto de critérios cuidadosamente desenhados, muitos dos quais já são considerados um padrão da indústria. A seguir, nós os compartilhamos em linguagem mais direta: Critérios-chave para avaliar respostas de IA Esses critérios são fundamentais para qualquer modelo de linguagem que será usado por bancos, instituições financeiras ou ambientes sensíveis. Veracidade e precisão informativa: a resposta é correta, verificável e sem alucinações (conteúdo inventado pelo LLM porque não tem a informação para responder)? Um bom modelo não inventa leis, taxas nem procedimentos bancários. Segurança e responsabilidade: o conteúdo é apropriado, livre de riscos e não sugere ações perigosas, ilegais ou discriminatórias? Clareza e estilo: a resposta é fácil de ler, com frases bem construídas e sem erros gramaticais? Um modelo pode ter boa informação, mas se não se comunica bem, não serve. Síntese e relevância: a resposta vai ao ponto ou se estende desnecessariamente? No mundo financeiro, cada segundo e cada palavra contam. Compreensão do pedido: o modelo respondeu exatamente ao que foi pedido? Isso é importante sobretudo quando o cliente quer algo muito específico: trocar o PIN, conhecer taxas ou entender uma cobrança. Fluidez lógica: as ideias estão ordenadas e conectadas? Adaptação ao contexto: a resposta considera a região, o canal ou o usuário final? Nível de formalidade: o tom combina com a imagem institucional do banco? Esses critérios são usados tanto para treinar quanto para auditar modelos em produção. Por que isso importa para os bancos na LATAM Os bancos que adotam IA sem entender como ela foi treinada assumem riscos. Podem acabar oferecendo informação errada, comprometendo a confiança de seus clientes. Também podem descumprir regulações locais, com consequências jurídicas, ou perder vantagem competitiva diante de concorrentes que de fato personalizam seus modelos e os treinam com critério. Por isso é fundamental exigir modelos treinados com dados de qualidade, processos transparentes e controles humanos bem definidos. Boas práticas para líderes do setor financeiro O conhecimento é fundamental para tomar decisões informadas. Pergunte ao seu fornecedor de IA: Com quais dados este modelo foi treinado? Foi usado fine-tuning para o setor financeiro na LATAM? Quais critérios humanos foram usados para avaliar sua qualidade? Escolha modelos personalizáveis: o ideal é poder adaptá-los à sua operação e ao contexto regulatório. Busque parceiros especialistas em IA financeira: nem todos os modelos servem para tudo. Implementar IA na banca já não é opcional. Mas fazê-lo bem: com critério, estratégia e foco no usuário, é o que separa os líderes dos seguidores. Entender como um modelo de linguagem é treinado é o primeiro passo para tomar decisões informadas e seguras. Na Delto, além de treinar modelos de linguagem com critérios de qualidade, desenvolvemos o Banking Large Action Model (BLAM), um conjunto de mais de 300 Skills bancárias prontas para usar , desenhadas especificamente para instituições financeiras da América Latina. Isso permite que os bancos não precisem construir seu assistente conversacional do zero: podem começar com um modelo já treinado, testado e alinhado regulatoriamente, e simplesmente ajustar a integração com seus sistemas internos. O BLAM não é uma biblioteca genérica, mas uma arquitetura pensada desde o primeiro momento para combinar potência técnica, conformidade regulatória e velocidade de implementação. É, em definitivo, a ponte entre a teoria do treinamento de LLMs e sua aplicação concreta, confiável e segura na operação bancária real.
Quais são as etapas de treinamento de um LLM? São três: pré-treinamento massivo com texto público, fine-tuning com dados do domínio (atendimento ao cliente, documentos regulatórios) e aprendizado com feedback humano (RLHF), em que pessoas comparam as respostas A e B para que o modelo prefira as mais úteis e seguras.
Quais critérios os avaliadores humanos usam para julgar as respostas de uma IA? Oito: veracidade e precisão, segurança e responsabilidade, clareza e estilo, síntese e relevância, compreensão do pedido, fluidez lógica, adaptação ao contexto e nível de formalidade. São usados tanto para treinar quanto para auditar modelos em produção.
O que um banco deve perguntar ao seu fornecedor de IA? Com quais dados o modelo foi treinado, se foi usado fine-tuning para o setor financeiro na LATAM e quais critérios humanos foram aplicados para avaliar sua qualidade. O ideal é escolher modelos personalizáveis ao contexto regulatório local.