Como tudo funciona
Visão da jornada: das 4 soluções de IA até o uso no dia a dia do banco digital e pelos parceiros.
Ver guiaMBA em Ciência de Dados · QuantumFinance
Inteligência Artificial aplicada a finanças
Uma jornada de dados: do Score de Crédito à Previsão de Mercado
A QuantumFinance é um banco digital com 100 mil clientes, carteira de crédito, acesso digital e posições de mercado. Ao longo do MBA, construímos 4 soluções de IA para problemas reais em três camadas: crédito, segurança digital e mercado financeiro.
30 de maio de 2026 · FIAP — Av. Paulista, 1106
O desafio
O Desafio da QuantumFinance
Um banco digital com 100 mil clientes, carteira de crédito, acesso digital e posições de mercado — precisando de IA em cada camada.
Risco de Crédito
Concessão sem modelo preditivo. Clientes de Alto Risco aprovados com limites inadequados — prejuízo direto na carteira.
Segurança Digital
Fraudes de acesso, golpes de identidade e clientes falsos comprometem contas e a reputação do banco digital.
Mercado Financeiro
Analistas sobrecarregados para gerar sinais de compra/venda. Oportunidades de investimento perdidas diariamente.
Nossa resposta: 4 soluções de IA construídas ao longo do MBA — cada uma resolvendo um problema real.
Visão
4 Soluções, 1 Visão de Negócio
Cada disciplina atacou uma camada diferente da operação da QuantumFinance.
Machine Learning ◄──────────────────► Deep Learning
ML — Parte 1
Score de Crédito
Previsão de risco (Random Forest)
74%
Acurácia geral
ML — Parte 2
Segmentação
Agrupamento por perfil (K-Means)
5
perfis de cliente
DL — Parte 1
Segurança Biométrica
Reconhecimento facial (Transfer Learning)
✓
Autenticação + Fraude
DL — Parte 2
Mercado Financeiro
Previsão de ativos (Rede Neural GRU)
79%
Recall COMPRA
MLOps
Operação na nuvem
Infraestrutura, API de crédito e portal — IA no mundo real
Azure
4 soluções integradas ao banco digital
Solução 01
Machine Learning — Score de Crédito
Prevendo o Risco: 200 árvores de decisão analisam simultaneamente cada cliente e votam em conjunto para classificá-lo (Random Forest) — Baixo Risco, Risco Médio ou Alto Risco.
74%
Acurácia Geral
100k
Clientes analisados
200
Árvores de decisão
Performance por Perfil de Risco
| Perfil | Precision | Recall | F1-Score |
|---|---|---|---|
| Baixo Risco | 0.65 | 0.65 | 0.65 |
| Alto Risco | 0.75 | 0.72 | 0.74 |
| Risco Médio | 0.77 | 0.79 | 0.78 |
Risco Crítico: 672 clientes de Alto Risco classificados como Baixo Risco —
concessão de crédito inadequada direta.
Aplicação de Negócio: Automatizar limites iniciais, priorizar análise manual
em clientes borderline e ajustar pricing por perfil.
Conexão com a Segmentação: O perfil de risco previsto enriquece o agrupamento de clientes: cada grupo ganha uma camada de risco probabilístico.
Acurácia: 74% · F1 macro: 0.72 · Weighted F1: 0.74
Solução 02
Machine Learning — Segmentação de Clientes
Agrupamento (K-Means) · 5 grupos · 55.298 clientes — organiza automaticamente os clientes em grupos com comportamentos financeiros parecidos.
Grupo 0 · Base Risco Médio
28.760 clientes
Alto: 22% · Baixo: 19% · Médio: 59%
Renda 138k | Dívida 987
Maioria dos clientes
Grupo 1 · Alto Risco Oculto
13.232 clientes
Alto: 60% · Baixo: 2% · Médio: 39%
Renda 203k | Dívida 3.009
60% em Alto Risco
Grupo 2 · Perfil Premium
12.224 clientes
Alto: 12% · Baixo: 31% · Médio: 57%
Renda 261k | Dívida 747
Maior renda, menor dívida
Grupo 3 · Outliers Críticos
465 clientes
Alto: 30% · Baixo: 16% · Médio: 54%
Renda 161k | Dívida 1.482
Anomalias — monitorar
Grupo 4 · Risco Moderado
617 clientes
Alto: 28% · Baixo: 15% · Médio: 57%
Renda 126k | Dívida 1.405
Perfil intermediário
Solução 03
Deep Learning — Segurança Biométrica
Quem acessa é quem diz ser? Aproveitamos um modelo já treinado em milhões de imagens e ensinamos ele a reconhecer rostos dos clientes — Transfer Learning.
Avaliação do professor: PERFEITO
Duas Camadas de Proteção
🔐 Autenticação Biométrica do Cliente
O modelo aprende a reconhecer o rosto de cada cliente e usa isso como senha. No app do banco digital, o login passa a ser feito pelo rosto — sem precisar lembrar senha.
Resultado: onboarding e login mais seguros e fluidos — experiência bancária de nova geração.
🚨 Detecção de Fraude por Identidade
O modelo identifica tentativas de enganar o sistema com foto de rede social, vídeo gravado ou imagem gerada por IA (spoofing).
Resultado: golpes de conta laranja e acessos de terceiros bloqueados antes de qualquer transação.
Biometria → Score de Fraude: Rostos sinalizados como suspeitos elevam automaticamente o score de risco de fraude da conta.
Solução 04
Deep Learning — Recomendação de Ativos
O Analista Digital de Investimentos: uma rede neural lê o histórico de preços como sequência temporal (GRU) — como um analista que estuda os últimos 20 dias antes de recomendar comprar ou vender.
Como foi construído
- Série histórica diária de preços do ativo (OHLCV)
- Janela de 20 dias anteriores como contexto de decisão
- Indicadores calculados: médias móveis, força relativa (RSI), volatilidade
- Rede neural sequencial (GRU): aprende padrões de alta e queda
- Balanceamento para não favorecer um sinal sobre o outro
- Divisão temporal: 70% treino / 15% validação / 15% teste
Evolução do Modelo
| Versão | Acurácia | Captura de Compra |
|---|---|---|
| Modelo Inicial (MLP) | ~51% | Balanceado |
| Modelo Final (GRU) | ~51% | 79% COMPRA |
Decisão de Negócio — Trade-off Intencional: O modelo captura 79% dos sinais de COMPRA
ao custo de menor precisão. Em finanças, perder uma boa entrada é mais custoso que um falso sinal.
Grupos → Mercado: Clientes do grupo Perfil Premium recebem sinais do modelo como produto de investimento diferenciado.
MLOps — do notebook ao banco
Infraestrutura para as 4 soluções funcionarem no mundo real
Machine Learning e Deep Learning entregaram os modelos. MLOps responde à pergunta do negócio: como a QuantumFinance opera isso com parceiros, API na nuvem e um portal onde equipes simulam crédito e tomam decisões assistidas — sem depender só de notebooks locais.
Essência arquitetural: três camadas do PPT (crédito, segurança digital, mercado)
+ uma camada de operação (nuvem, API, portal) que amarra tudo para o dia a dia do banco digital.
Nuvem → modelos publicados → API de crédito → portal parceiro (validado na VM do projeto)
As três camadas de negócio, com operação por trás
Crédito em produção
O score e a segmentação (ML) deixam o notebook e passam a apoiar concessão, limites e pricing — com API na nuvem para parceiros.
Ver solução →Identidade e confiança
A biometria (DL) protege o acesso; a governança garante que modelos, versões e consultas ficam rastreáveis.
Ver solução →Produto premium no mercado
Os sinais de investimento (DL) chegam ao grupo certo de clientes — infraestrutura liga dados de mercado ao app do banco.
Ver solução →Como o ecossistema se fecha na operação
1 · Regras e dados do banco → 2 · Score na API → 3 · Consultor explica o resultado ao parceiro
O que foi construído (visão didática)
- Servidor na Azure (VM) preparado para rodar os modelos com segurança e escala de laboratório/produção.
- Modelos de score treinados, versionados e publicados — o mesmo fluxo validado nas entregas do curso e nos testes na nuvem.
- API aberta para parceiros testarem crédito como em um produto real (chamadas validadas antes do portal).
- Portal unificado: simula operação, guarda histórico e permite ao consultor explicar decisões em linguagem de negócio.
- As 4 soluções do MBA passam a conversar: risco → grupos → fraude → oportunidades de mercado.
Por que isso importa para a QuantumFinance
Do experimento ao deploy
Organização de dados, treino e publicação — para não ficar só no slide, mas no ambiente que o banco usa.
Versões sob controle
Saber qual modelo está no ar e quando foi promovido — essencial para crédito responsável.
Integração com parceiros
Canal seguro na Internet para empresas parceiras consultarem score dos clientes optantes.
Transparência
Registo do que foi consultado e publicado — suporte a auditoria e confiança do parceiro.
Documentação operacional
Instruções claras de uso da API e do portal — alinhadas às evidências de teste na VM.
Ciência de dados que sai do notebook: 74% no crédito, biometria no app, 79% dos sinais de compra — sustentados por infraestrutura real na Azure e pelo portal parceiro.
Arquitetura
Como Tudo se Conecta
As 4 soluções formam um ecossistema de IA — saída de uma alimenta a próxima.
Score → Grupos
O perfil de risco previsto enriquece o agrupamento — cada grupo ganha uma camada de risco probabilístico, não só comportamental.
Grupos → Mercado
Clientes do grupo Perfil Premium recebem sinais do modelo de previsão como produto de investimento diferenciado.
Biometria → Score de Fraude
Rostos não reconhecidos pelo modelo facial elevam automaticamente o score de risco de fraude da conta.
Impacto
Impacto Real para a QuantumFinance
Ciência de Dados que sai do notebook e entra nas decisões do banco digital.
🏦 Crédito mais seguro
74% de acurácia sinaliza clientes de Alto Risco antes da concessão — 672 casos críticos identificados num único batch.
👥 Clientes mais bem conhecidos
5 grupos de comportamento entregam visão granular além do score — personalização de limite, taxa e produto por perfil real.
🔐 Banco digital mais protegido
Reconhecimento facial bloqueia acessos fraudulentos e golpes de identidade antes de qualquer transação acontecer.
📈 Captura de oportunidades
O modelo de previsão garante que 79% dos sinais de COMPRA não sejam perdidos — vantagem direta na gestão de ativos Premium.
Do slide ao banco digital
4 soluções · 3 disciplinas · 1 banco mais inteligente
O portal em app.IAQuantumFinance.com.br é onde a QuantumFinance opera de verdade: validar regras de negócio, simular crédito na API em produção e tirar dúvidas com o consultor assistido — o mesmo ambiente usado na apresentação e na VM Azure.
Simular concessão de crédito
Teste aprovação e risco de um cliente como na operação real — o modelo de score já está na nuvem.
Simular créditoHistórico de risco
Consulte evolução do perfil de risco, gráficos e decisões anteriores por cliente.
Ver históricoConsultor financeiro
Faça perguntas em linguagem natural sobre políticas do banco e o perfil do cliente simulado.
Falar com o consultorInfraestrutura na prática
Como crédito, identidade digital e mercado se conectam na arquitetura que coloca a IA em produção.
Ver ecossistemaRastreabilidade
O que foi treinado, publicado e consultado fica registado — transparência para auditoria e parceiros.
Ver registosIntegradores técnicos: API de score em api.IAQuantumFinance.com.br (detalhes de chamada dentro do portal, aba Simulador).