Este documento no Google Cloud Well-Architected Framework: perspectiva de serviços financeiros (FS) fornece uma visão geral dos princípios e recomendações para otimizar o desempenho das suas cargas de trabalho de FS no Google Cloud. As recomendações neste documento estão alinhadas com o pilar de otimização de desempenho do Well-Architected Framework.
A otimização de desempenho tem uma longa história nos serviços financeiros. Ela ajudou as organizações de FS a superar desafios técnicos e quase sempre foi um facilitador ou acelerador para a criação de novos modelos de negócios. Por exemplo, os caixas eletrônicos (introduzidos em 1967) automatizaram o processo de distribuição de dinheiro e ajudaram os bancos a reduzir o custo do negócio principal. Técnicas como ignorar o kernel do SO e fixar linhas de execução de aplicativos em núcleos de computação ajudaram a alcançar latência determinística e baixa para aplicativos de negociação. A redução na latência facilitou uma liquidez maior e mais firme com spreads mais apertados nos mercados financeiros.
A nuvem cria novas oportunidades para otimizar a performance. Ele também desafia alguns dos padrões de otimização historicamente aceitos. Especificamente, as seguintes compensações são mais transparentes e controláveis na nuvem:
- Tempo de lançamento no mercado x custo.
- Desempenho de ponta a ponta no nível do sistema em comparação com o desempenho no nível do nó.
- Disponibilidade de talentos versus agilidade na tomada de decisões relacionadas à tecnologia.
Por exemplo, adaptar hardware e recursos de TI a requisitos de habilidades específicos é uma tarefa simples na nuvem. Para dar suporte à programação de GPU, é possível criar VMs baseadas em GPU. É possível escalonar a capacidade na nuvem para acomodar picos de demanda sem provisionar recursos em excesso. Esse recurso ajuda a garantir que as cargas de trabalho possam lidar com cargas de pico, como em dias de folha de pagamento não agrícola e quando os volumes de negociação são significativamente maiores do que os níveis históricos. Em vez de gastar com a criação de códigos altamente otimizados no nível de servidores individuais (como códigos altamente ajustados na linguagem C) ou com a criação de códigos para ambientes convencionais de computação de alto desempenho (HPC), é possível escalonar horizontalmente de maneira ideal usando um sistema distribuído bem arquitetado baseado em Kubernetes.
As recomendações de otimização de desempenho neste documento são mapeadas para os seguintes princípios fundamentais:
- Alinhar as métricas de performance de tecnologia com os principais indicadores de negócios
- Priorize a segurança sem sacrificar o desempenho para riscos não comprovados
- Repense sua arquitetura para se adaptar a novas oportunidades e requisitos
- Prepare sua tecnologia para atender às necessidades de negócios atuais e futuras
Alinhar as métricas de performance tecnológica com os principais indicadores de negócios
É possível mapear a otimização de desempenho para resultados de valor comercial de várias maneiras. Por exemplo, em uma mesa de pesquisa de compras, um objetivo de negócio pode ser otimizar a saída por hora de pesquisa ou priorizar experimentos de equipes com um histórico comprovado, como índices de Sharpe mais altos. No lado da venda, é possível usar análises para acompanhar o interesse do cliente e, consequentemente, priorizar a capacidade de processamento para modelos de IA que apoiam as pesquisas mais interessantes.
Conectar metas de performance aos indicadores principais de desempenho (KPIs) de negócios também é importante para financiar melhorias de desempenho. As iniciativas de inovação e transformação de negócios (às vezes chamadas de esforços de mudança do banco) têm orçamentos diferentes e podem ter diferentes graus de acesso a recursos em comparação com as operações normais (BAU, na sigla em inglês) ou de execução do banco. Por exemplo, o Google Cloud ajudou as equipes de gerenciamento de risco e tecnologia de uma G-SIFI a colaborar com os analistas quantitativos de front-office em uma solução para realizar cálculos de análise de risco (como XVA) em minutos, em vez de horas ou dias. Essa solução ajudou a organização a atender aos requisitos de compliance relevantes. Também permitiu que os traders tivessem conversas de maior qualidade com os clientes, oferecendo spreads mais apertados, liquidez mais firme e cobertura mais econômica.
Ao alinhar suas métricas de performance com indicadores de negócios, considere as seguintes recomendações:
- Conecte cada iniciativa de tecnologia aos objetivos e resultados-chave (OKRs) relevantes, como aumentar a receita ou o lucro, reduzir custos e mitigar riscos de maneira mais eficiente ou holística.
- Foco na otimização do desempenho no nível do sistema. Vá além da separação convencional entre mudar o banco e administrar o banco e dos silos de front-office e back-office.
Priorize a segurança sem sacrificar o desempenho por riscos não comprovados
A segurança e a conformidade regulatória nas organizações de SF precisam ser, sem dúvida, de alto padrão. Manter um padrão elevado é essencial para evitar a perda de clientes e danos irreparáveis à marca de uma organização. Muitas vezes, o maior valor é derivado de inovações tecnológicas, como IA generativa e serviços gerenciados exclusivos, como o Spanner. Não descarte automaticamente essas opções de tecnologia devido a um equívoco geral sobre o risco operacional proibitivo ou a uma postura inadequada de conformidade regulatória.
OGoogle Cloud trabalhou em estreita colaboração com as G-SIFIs para garantir que uma abordagem baseada em IA para combate à lavagem de dinheiro (AML, na sigla em inglês) possa ser usada em todas as jurisdições em que as instituições atendem clientes. Por exemplo, o HSBC melhorou significativamente o desempenho da unidade de crimes financeiros (Fincrime) com os seguintes resultados:
- Cerca de duas a quatro vezes mais atividades suspeitas confirmadas.
- Custos operacionais mais baixos devido à eliminação de mais de 60% dos falsos positivos e ao tempo de investigação focado apenas em alertas acionáveis de alto risco.
- Resultados auditáveis e explicáveis para apoiar a conformidade regulatória.
Recomendações:
- Confirme se os produtos que você pretende usar podem ajudar a atender aos requisitos de segurança, resiliência e conformidade das jurisdições em que você opera. Para atingir esse objetivo, trabalhe com as equipes Google Cloud de conta, de risco e de produtos.
- Crie modelos mais eficientes e ofereça transparência aos clientes aproveitando a explicabilidade da IA.
Alcance transparência para cargas de trabalho de IA generativa usando técnicas como citações de fontes, embasamento e RAG.
Quando a explicabilidade não for suficiente, separe as etapas de tomada de decisão nos fluxos de valor e use a IA para automatizar apenas as etapas que não envolvem tomada de decisão. Em alguns casos, a IA explicável pode não ser suficiente ou um processo pode exigir intervenção humana devido a preocupações regulatórias (por exemplo, GDPR, Artigo 22). Nesses casos, apresente todas as informações necessárias para o agente humano tomar decisões em um único painel de controle, mas automatize as tarefas de coleta, ingestão, manipulação e resumo de dados.
Repense sua arquitetura para se adaptar a novas oportunidades e requisitos
Aumentar suas arquiteturas atuais com recursos baseados na nuvem pode agregar um valor significativo. Para alcançar resultados mais transformadores, é preciso repensar periodicamente sua arquitetura usando uma abordagem de priorização da nuvem.
Considere as recomendações a seguir para repensar periodicamente a arquitetura das suas cargas de trabalho para otimizar ainda mais o desempenho.
Usar alternativas baseadas na nuvem para sistemas e programadores de HPC no local
Para aproveitar uma maior elasticidade, uma postura de segurança aprimorada e recursos abrangentes de monitoramento e governança, execute cargas de trabalho de HPC na nuvem ou burst cargas de trabalho locais para a nuvem. No entanto, para determinados casos de uso de modelagem numérica, como simulação de estratégias de investimento ou modelagem XVA, combinar o Kubernetes com o Kueue pode oferecer uma solução mais eficiente.
Mudar para a programação baseada em gráficos para simulações
As simulações de Monte Carlo podem ter um desempenho muito melhor em um sistema de execução baseado em gráficos, como o Dataflow. Por exemplo, o HSBC usa o Dataflow para executar cálculos de risco 16 vezes mais rápido em comparação com a abordagem anterior.
Executar plataformas de câmbio e negociação baseadas na nuvem
Conversas com Google Cloud clientes revelam que o princípio de Pareto 80/20 se aplica aos requisitos de desempenho de mercados e aplicativos de negociação.
- Mais de 80% dos aplicativos de trading não precisam de latência extremamente baixa. No entanto, eles se beneficiam significativamente dos recursos de resiliência, segurança e elasticidade da nuvem. Por exemplo, a BidFX, uma plataforma de câmbio com vários revendedores, usa a nuvem para lançar novos produtos rapidamente e aumentar significativamente a disponibilidade e a presença sem aumentar os recursos.
- Os aplicativos restantes (menos de 20%) precisam de baixa latência (menos de um milissegundo), determinismo e imparcialidade na entrega de mensagens. Normalmente, esses sistemas são executados em instalações de colocation rígidas e caras. Cada vez mais, até mesmo essa categoria de aplicativos está sendo replatformada na nuvem, seja na borda ou como aplicativos com priorização da nuvem.
Prepare sua tecnologia para o futuro para atender às necessidades de negócios atuais e futuras
Historicamente, muitas organizações de SF criaram tecnologias próprias para ganhar uma vantagem competitiva. Por exemplo, no início dos anos 2000, bancos de investimento e empresas de trading bem-sucedidos tinham as próprias implementações de tecnologias fundamentais, como sistemas de publicação/assinatura e agentes de mensagens. Com a evolução das tecnologias de código aberto e da nuvem, essas tecnologias se tornaram commodities e não oferecem valor comercial incremental.
Considere as recomendações a seguir para preparar sua tecnologia para o futuro.
Adote uma abordagem de dados como serviço (DaaS) para acelerar o tempo de lançamento no mercado e a transparência de custos
As organizações de SF geralmente evoluem por meio de uma combinação de crescimento orgânico e fusões e aquisições (M&A, na sigla em inglês). Como resultado, as organizações precisam integrar tecnologias diferentes. Eles também precisam gerenciar recursos duplicados, como fornecedores de dados, licenças de dados e pontos de integração. O Google Cloud oferece oportunidades para criar valor diferenciado em integrações pós-fusão.
Por exemplo, é possível usar serviços como o BigQuery Sharing para criar uma plataforma de dados como serviço (DaaS) pronta para análise. A plataforma pode fornecer dados de mercado e entradas de fontes alternativas. Essa abordagem elimina a necessidade de criar pipelines de dados redundantes e permite que você se concentre em iniciativas mais valiosas. Além disso, as empresas fundidas ou adquiridas podem racionalizar de forma rápida e eficiente as necessidades de licenciamento de dados e infraestrutura pós-fusão. Em vez de gastar esforço para adaptar e mesclar propriedades e operações de dados legados, a empresa combinada pode se concentrar em novas oportunidades de negócios.
Criar uma camada de abstração para isolar os sistemas atuais e abordar os modelos de negócios emergentes
Cada vez mais, a vantagem competitiva dos bancos não é o sistema bancário principal, mas a camada de experiência do cliente. No entanto, os sistemas bancários legados geralmente usam aplicativos monolíticos que foram desenvolvidos em linguagens como Cobol e são integrados em toda a cadeia de valor bancária. Essa integração dificultava a separação das camadas da cadeia de valor, o que tornava quase impossível fazer upgrade e modernizar esses sistemas.
Uma solução para resolver esse desafio é usar uma camada de isolamento, como um sistema de gerenciamento de APIs, ou uma camada de preparo, como o Spanner, que duplica o livro de registros e facilita a modernização de serviços com análises avançadas e IA. Por exemplo, o Deutsche Bank usou o Spanner para isolar o patrimônio bancário principal legado e iniciar a jornada de inovação.