Como usar IA para ler as atas do FED

A inteligência artificial generativa (IA Generativa) permite criar soluções que automatizam grande parte dos processos manuais de diversas profissões. Na economia, finanças e análise de dados não é diferente. Desde a coleta de dados, passando pela análise e apresentação, podemos usar IA Generativa para economizar tempo e ganhar produtividade.

Neste artigo, mostramos como criar um AI Assistant, que é um “funcionário-robô” encarregado de ler e analisar os statements do FED. A ideia é automatizar o processo de coleta, tratamento, análise e apresentação de dados que comumente economistas fazem a cada nova decisão sobre a taxa de juros (Fed Funds Rate). O assistente realiza estes procedimentos automaticamente e fornece uma análise completa sobre o comunicado da decisão do FED.

Este AI Assistant trabalha dentro de uma dashboard Shiny, para facilitar a experiência e acesso do usuário final. A seguir mostramos o passo a passo do desenvolvimento.

Passo 01: bibliotecas

Iniciamos definindo as bibliotecas utilizadas no projeto:

  • pandas para coletar e tratar dados
  • shiny e shinywidgets para desenvolver a dashboard
  • google.generativeai para analisar o comunicado do FED
  • plotly para visualizar dados

Passo 02: modelo LLM

Em seguida, definimos o modelo de IA generativa a ser utilizado para a análise do statement. Neste caso, utilizamos um modelo popular e acessível, o Gemini.

Obs: é necessário apontar uma chave de API para uso do modelo.

Passo 03: dados e interface da dashboard

Agora avançamos para a interface visual da dashboard, definindo um campo de input para o usuário escolher qual data de decisão do FOMC que se deseja analisar o statement e os outputs para as análises geradas pelo modelo de IA generativa. Além disso, coletamos os dados automaticamente através de uma automação do GitHub Actions.

Passo 04: backend

Por fim, definimos uma função reativa que processa a data escolhida pelo usuário, trata o texto do statement, cria um prompt otimizado para o modelo de IA generativa, envia os dados para a API do Google e recebe a resposta.

O resultado final é a dashboard exposta na imagem acima. Como próximos passos, o app pode ser publicado (deploy) em algum serviço, como o Shinyapps.io.

Conclusão

Os “AI Assistants” são ferramentas que permitem automatizar e agilizar o processo de análise de dados e tomada de decisão. Neste artigo, motramos como usar IA Generativa para criar um AI Assistant simples que analisa as decisões sobre a política de juros do FED.

Quer aprender mais?

Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA. 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.