Cómo EY usa Elasticsearch para potenciar RAG en clientes financieros
EY, una de las redes de servicios profesionales más grandes del mundo, construyó una plataforma de IA generativa para instituciones financieras con el motor de relevancia de Elasticsearch (ESRE) como núcleo. La solución permite a los bancos extraer información estructurada de informes ESG, estados financieros y documentos de cumplimiento mediante generación aumentada por recuperación. Logró mejoras de precisión del 10–15% sobre la extracción base de documentos y funcionó 3 veces más rápido que las implementaciones RAG estándar.
Impacto
10–15%
Mejora de precisión en la extracción de documentos
3x
Mejora de velocidad respecto a RAG Nativo
Desafío
Los clientes de servicios financieros de EY necesitaban extraer información estructurada de grandes volúmenes de documentos no estructurados —informes ESG, estados financieros, expedientes de cumplimiento—, pero el análisis manual era lento y los enfoques RAG existentes carecían de la velocidad y precisión necesarias para su despliegue en producción.
Solución
EY construyó una plataforma de IA generativa sobre el ESRE de Elasticsearch, utilizando embeddings vectoriales para la recuperación de documentos a gran escala, fragmentación e indexación mejoradas para la precisión, e integración con LlamaIndex y LangChain para la orquestación completa del flujo RAG.
Herramientas y tecnologías
Lo que dicen los líderes
“El trabajo vanguardista de Elastic en búsqueda y recuperación nos atrajo. Integramos estas capacidades en nuestra arquitectura de IA para la Generación Aumentada por Recuperación (RAG), lo que mejora la precisión y acelera la recuperación de información de datos no estructurados.”
“Imagine extraer 14 variables clave de un PDF de 40 páginas o comparar información entre múltiples informes de diferentes años. Aquí es donde ahorramos a los clientes tiempo y recursos significativos.”
“Con Elastic, podemos promover simultáneamente la IA responsable y la innovación. Esto significa que nuestros clientes pueden cumplir regulaciones, actuar más rápido y mitigar riesgos internos.”
Regístrate para leer casos de estudio completos, acceder a métricas detalladas y recibir todos los reportes.
Historia completa
Los bancos enfrentan una carga creciente de datos no estructurados. Los expedientes regulatorios, los compromisos ESG, los informes de adecuación de capital y los estados financieros de varios años contienen información crítica que impulsa las decisiones de cumplimiento, pero la mayor parte no puede consultarse a escala. EY, que presta servicios de asesoría y tecnología a instituciones financieras de todo el mundo, vio esto como una oportunidad para construir una plataforma de IA generativa en producción que diera a sus clientes bancarios una ventaja analítica.
Antes de la solución de EY, los equipos financieros dedicaban un tiempo considerable a revisar manualmente documentos densos para extraer variables clave. Extraer 14 datos de un PDF de 40 páginas, o comparar cifras entre informes de distintos años, requería horas de trabajo de analistas que se acumulaban rápidamente. Las integraciones con proveedores tardaban en ponerse en marcha, y los componentes de IA desarrollados internamente introducían riesgos de mantenimiento.
EY seleccionó Elasticsearch como base para su arquitectura RAG, concretamente el conjunto ESRE (Elasticsearch Relevance Engine), que combina modelos de aprendizaje automático, una base de datos vectorial y búsqueda y recuperación avanzadas. El modelo de embeddings de ESRE permitió a EY generar y almacenar representaciones vectoriales a gran escala con rapidez, formando la columna vertebral de recuperación del flujo de IA generativa. La plataforma también se integró sin problemas con LlamaIndex para la orquestación de aplicaciones LLM y con LangChain para el encadenamiento de flujos de trabajo, ofreciendo a EY flexibilidad en toda su arquitectura de IA.
Los resultados fueron medibles desde el principio. La precisión en los métodos de extracción de documentos mejoró entre un 10 y un 15% respecto a enfoques anteriores. La configuración RAG de Elastic funcionó 3 veces más rápido que las configuraciones de RAG Nativo estándar. La solución de EY gestionó formatos de documentos diversos a escala y pudo expandirse a distintas unidades organizativas sin necesidad de rediseñar la arquitectura central. Para uno de los casos de uso principales de EY —la presentación de informes ESG— la plataforma permitió a los bancos agilizar los informes sobre métricas internas y datos ESG de la cadena de valor, cumpliendo los estándares regulatorios con menos esfuerzo manual.
El despliegue posicionó a EY como un constructor activo de infraestructura de IA generativa responsable para el sector financiero. Con Elastic gestionando la complejidad de búsqueda y recuperación, EY puede concentrarse en la lógica de dominio y la entrega a clientes en lugar de mantener componentes fundacionales. El equipo ve la plataforma como una base sólida para ampliar las capacidades de IA generativa a medida que evolucionan las regulaciones financieras y las necesidades de los clientes.
Amazon Bedrock