Pepperstone utiliza el machine learning de AWS para ofrecer una experiencia comercial global continua.

Al elegir un corredor en línea, la confianza y el servicio al cliente son criterios importantes. Las plataformas de negociación con un largo historial y múltiples licencias reguladoras tienden a ser apuestas seguras. En sus premios Broker Awards de 2021, DayTrading.com nombró a Pepperstone como el mejor corredor de divisas, en gran medida por su presencia global y sus «plataformas ultraconfiables». Pepperstone es una plataforma de negociación en línea de divisas (forex) y valores con sede en Melbourne que recibe más de 40.000 visitantes únicos al mes.

Desde su fundación en 2010, Pepperstone ha confiado en la nube de Amazon Web Services (AWS). «AWS ofrece innovaciones frecuentes y soluciones flexibles y listas para usar que nos ayudan a administrar nuestro negocio de manera más eficiente», afirma Tony Gruebner, director de marketing de Pepperstone. El transporte en contenedores y el uso de servicios gestionados listos para usar, como Amazon Elastic Kubernetes Service (Amazon EKS), han sido fundamentales para que Pepperstone pueda aumentar rápidamente su base de clientes y escalar sus servicios de forma segura. Solo durante 2020, Pepperstone informó de un crecimiento del 20 al 30 %.

Con Amazon EKS, Pepperstone puede estandarizar las operaciones en cualquier entorno, aprovechando la automatización para implementaciones consistentes en varias regiones a medida que se expande a nuevos países. En 2020, Pepperstone obtuvo cinco nuevas licencias reguladoras de agencias, como la Autoridad de Servicios Financieros de Dubái, en comparación con las dos licencias que tenía anteriormente en Australia y el Reino Unido. El impulso regulatorio de la empresa abrió nuevas regiones, incluidas África y Europa.

El machine learning (ML) y la inteligencia artificial (IA) son tecnologías fundamentales del conjunto tecnológico de Pepperstone. Además de un equipo de TI de 70 personas repartido en cuatro países, la empresa cuenta con un equipo de ciencia de datos en Melbourne dedicado al desarrollo de modelos de aprendizaje automático. Inicialmente, los científicos de datos desarrollaron sus propios algoritmos para ejecutarlos en AWS. Luego, en 2019, cambiaron a Amazon SageMaker con AWS Fargate para automatizar la creación y el despliegue de modelos de aprendizaje automático.

Al cambiar a Amazon SageMaker para la formación de modelos, el equipo de ciencia de datos de Pepperstone no tuvo problemas para adaptar la herramienta a sus flujos de trabajo. «La curva de aprendizaje de las nuevas herramientas de IA o ML suele ser bastante pronunciada, pero empezamos a utilizar Amazon SageMaker de inmediato. Ahorramos mucho tiempo desde el primer día alojando, capacitando e implementando en el entorno de AWS», afirma Samuel Ellett, científico de datos líder de Pepperstone. El tiempo necesario para entrenar los modelos de aprendizaje automático se redujo de 180 horas en máquinas locales a 4,3 horas en Amazon SageMaker.

Para obtener nuevas licencias reglamentarias, Pepperstone tuvo que demostrar que contaba con un riguroso proceso de conocimiento del cliente (KYC) para evaluar a los operadores que accedían a la plataforma. Antes de implementar Amazon SageMaker, gran parte del proceso de revisión de documentos era manual. El personal verificaría personalmente la autenticidad de los documentos presentados, como las imágenes del pasaporte. Muchas veces, pasaban horas incorporando a un cliente solo para descubrir días después que no eran quienes decían ser.

Pepperstone ahora puede reconocer posibles fraudes el mismo día en que los nuevos clientes suben sus documentos mediante la implementación de modelos de detección de fraudes en Amazon SageMaker. Los científicos de datos entrenaron sus modelos de aprendizaje automático para comparar los documentos enviados con millones de imágenes almacenadas en un lago de datos de Amazon Simple Storage Service (Amazon S3), incluidas imágenes auténticas y alteradas de documentos de identidad comunes en todo el mundo.

A continuación, el sistema asigna una puntuación a cada cliente potencial con un porcentaje que revela la probabilidad de manipulación ilícita en la documentación presentada. El equipo de incorporación recibe los resultados y hace un seguimiento con las solicitudes marcadas para solicitar una prueba de identidad adicional. Esto mejora el proceso de toma de decisiones del equipo, lo que se traduce en una reducción del tiempo dedicado a procesar las verificaciones manuales de identidad.

Además del ahorro de tiempo, el nivel de detalle y precisión que ofrece Amazon SageMaker es muy superior al que podrían lograr los humanos. «Los seres humanos no habrían podido comparar 3 millones de documentos y, muchas veces, los elementos fraudulentos son tan leves que es muy difícil que el ojo humano los detecte», afirma Ellett. 

Acelerar el proceso de incorporación también beneficia a los nuevos clientes. La competencia es dura entre las plataformas de negociación en línea y los operadores no están encerrados en una plataforma en particular. Por lo tanto, un proceso de incorporación fluido es fundamental para establecer la confianza en Pepperstone. «La automatización de la incorporación con el aprendizaje automático nos ha ayudado no solo desde el punto de vista operativo, sino que también ha creado un proceso más fluido que mejora enormemente la experiencia del cliente. Nuestro objetivo es hacer que las operaciones sean agradables y, en parte, evitar demoras o barreras de entrada innecesarias», explica Gruebner.

Pepperstone también utiliza modelos de aprendizaje automático generados en Amazon SageMaker para ayudar al equipo de ventas a evaluar y convertir clientes potenciales. Al asignar una puntuación a cada cliente cuando se incorpora a la plataforma, el equipo de ventas puede centrarse en los esfuerzos de servicio al cliente. La puntuación se actualiza en tiempo real a medida que los datos de sus clientes se acumulan mientras navegan por el sitio de Pepperstone. Esto ayuda al equipo de ventas a gestionar mejor las cargas de trabajo y a proporcionar un nivel de servicio personalizado que diferencie a la empresa en el mercado de corretaje en línea. «Amazon SageMaker es una herramienta fantástica para garantizar que todo el proceso de la ciencia de datos esté lo más integrado y automatizado posible, y enviar los datos cuando y donde los necesite», añade Gruebner.

Gracias a la funcionalidad lista para usar que ofrece Amazon SageMaker, el equipo de ciencia de datos de Pepperstone ya no depende de los ocupados ingenieros de DevOps. Los ingenieros de datos siguen confiando en el equipo de DevOps para configurar un entorno aislado en Amazon SageMaker, pero una vez hecho esto, pueden ejecutar pruebas de concepto de forma independiente. «Hemos desbloqueado de manera efectiva un conflicto de recursos entre los equipos de datos y DevOps. Amazon SageMaker nos ha permitido crear algo rápidamente, probar nuestra hipótesis y cerrarlo inmediatamente después para que no cueste demasiado. Como resultado, estamos realizando más experimentos», concluye Ellett.

 Para obtener más información, visite aws.amazon.com/machine-learning y aws.amazon.com/startups.