LLM treinado com histórico do seu portfólio pra validar propostas com raciocínio contextual. Aceita dados estruturados e texto livre, incorpora sinais alternativos (transacional, comportamental, KYC), produz decisão explicável. Substitui scoring tradicional com mais precisão e menos rigidez.
Motor de scoring clássico opera por regra ou logit sobre poucas features. Pontua cada proposta no mesmo modelo médio do portfólio. Caso borderline vira decisão binária, mesmo quando o contexto pedia análise. Caso fora da curva é rejeitado por default.
O custo aparece nos bordas: bons clientes rejeitados porque o modelo não viu o contexto. Casos ruins aprovados porque o feature principal passou. Em portfólio grande, a perda acumulada é significativa, mesmo com precisão razoável no agregado.
LLM fine-tunado lê contexto. Entende narrativa do cliente, cruza sinais, justifica decisão. Não substitui regra dura (política de risco), aumenta a inteligência sobre ela.
Histórico de propostas rotuladas, decisões passadas, comportamento pós-aprovação. Amazing propõe estratégia de treino baseada no volume e qualidade dos dados.
Llama 3 70B, Qwen 2.5 72B ou CALM 7B dependendo do caso. Trade-off entre precisão, custo de inferência e latência operacional.
Treino em LoRA com restrições que refletem a política de risco (idade mínima, ratio dívida/renda, cobertura). O LLM aprende a pontuar dentro dos seus limites.
Modelo entra em canary de 5% em produção, comparando decisão com motor atual. Expansão gradual só com aprovação de métrica.
# Análise de crédito · LLM banco-x entrada: CPF: xxx.xxx.xxx-xx renda: R$ 8.200 declarada pedido: R$ 50k em 36x historico: 36m cliente, 0 atraso bureau score: 640 transacional: +2.8k/mes ticket medio LLM decisao: score: 0.76 acao: aprovar com tier 2 limite: R$ 42k (14% abaixo) prazo: 36x mantido razoes principais: ✓ historico de 36m estavel ✓ transacional saudavel ✓ ratio pedido/renda 0.75x ⚠ bureau 640 (abaixo medio portfolio) ⚠ primeira operacao > R$ 30k comparacao com motor atual: motor tradicional: REJEITADO (bureau < 680 limite rigido) LLM: APROVADO (contexto compensa bureau) auditoria: ✓ dentro da politica: sim ✓ features usadas: 23 sinais ✓ explicacao: disponivel ✓ override humano: possivel
LLM em crédito não é para aprovar mais por aprovar mais. É pra aprovar certo mais vezes e rejeitar certo mais vezes. Precisão pontual que aparece no resultado do portfólio.
Casos borderline bem avaliados que motor rígido rejeitaria.
Casos ruins que passavam por feature bem pontuada.
Decisão explicável aumenta confiança do cliente final.
Tempo real pra integrar em jornada digital de crédito.
Credit scoring é mercado regulado. Decisão precisa ser explicável, auditável e dentro da política. Amazing constrói LLM que cabe nesses três requisitos.
Cada aprovação vem com razões principais em linguagem natural. Compliance aceita, cliente entende.
Regras duras (idade, ratio, cobertura) ficam em hooks do harness. LLM pontua dentro dos limites.
Modelo roda no seu ambiente dedicado. Dado de proposta não vira dado de treinamento externo.
CALM (Credit Assessment LLM · Llama2 7B fine-tuned) mostrou ganhos em benchmark público. Amazing leva isso para produção no seu portfólio.
Ver análise de riscoEm duas semanas a gente treina com uma fatia anonimizada do seu portfólio e compara resultado com o motor atual. Sem compromisso de contrato.
