Fintech letã processa milhares de pedidos de empréstimo por dia e enfrentava gargalos na análise manual de documentos. Agora, com soluções da AWS, extrai dados de IDs com mais precisão e detecta fraudes em segundos.
O resultado é impressionante: precisão subiu de 79,7% para 90,8%, tempo de processamento caiu de até 20 horas para menos de 5 segundos e custos por documento despencaram. Clientes recebem respostas quase instantâneas.
Essa transformação permite que a Sun Finance expanda operações em mercados de microempréstimos com economia viável e menor risco.
O desafio da verificação de identidade em escala
A Sun Finance, fundada em 2017 na Letônia, atua como marketplace de empréstimos online em nove países. A empresa processa uma nova solicitação a cada 0,63 segundo e realiza mais de 4 milhões de avaliações por mês.
Em um segmento de alto volume, com 80 mil pedidos mensais de microempréstimos, cerca de 60% das aplicações exigiam revisão manual por operadores. A maior parte desses casos vinha de erros na extração de dados de documentos de identidade.
Documentos variados, idiomas locais pouco representados em modelos tradicionais de OCR e layouts diferentes criavam falhas constantes. A detecção de fraudes adicionava complexidade extra. Fraudes representavam cerca de 10% das solicitações diárias, com fraudadores usando padrões repetidos de imagens para burlar controles.
O custo operacional alto e o tempo longo de análise impediam expansão para produtos de menor valor. Equipes dedicadas gastavam horas revisando manualmente, impactando a experiência do cliente e os resultados financeiros.
Como a Sun Finance construiu a nova solução com AWS
A empresa trabalhou com o AWS Generative AI Innovation Center em um projeto que entregou resultados em poucas semanas. A arquitetura serverless combina serviços especializados para extração de dados e detecção de fraudes.
O pipeline principal usa Amazon Textract como OCR primário, com fallback para Amazon Rekognition quando necessário. Depois, o Amazon Bedrock (com Claude Sonnet 4) estrutura os dados extraídos em formato JSON padronizado.
Essa combinação superou limitações individuais: Textract + Rekognition fornecem texto bruto preciso, enquanto o LLM organiza, normaliza e corrige inconsistências de forma inteligente.
Arquitetura da extração de IDs
- Imagem do documento chega via API Gateway.
- Lambda envia para Textract.
- Em caso de baixa confiança, Rekognition entra como backup.
- Bedrock recebe o texto e gera saída estruturada.
Essa abordagem elevou a precisão geral para 90,8%. O LLM sozinho atingia apenas 61,8%, demonstrando que a especialização em OCR continua essencial.
Detecção de fraudes com múltiplas camadas de IA
A solução de fraude opera em paralelo e entrega resultado em 3 a 5 segundos. Dois fluxos principais trabalham juntos.
Verificação de fundo: Rekognition remove a face do selfie, Titan Multimodal Embeddings gera vetor do plano de fundo e compara com padrões conhecidos armazenados no Amazon S3 Vectors.
Análise visual: Claude Sonnet 4 examina a imagem em busca de artefatos de tela, manipulações digitais e outros indícios de fraude.
Um Lambda final calcula score de risco combinado. A arquitetura com Step Functions permite adicionar novas verificações sem downtime.
Benefícios mensuráveis alcançados
- Redução de 91% no custo por documento.
- Queda projetada de revisões manuais de 60% para 30%.
- Redução de equipe dedicada de 3 FTEs para cerca de 1 FTE.
- Processamento viável economicamente em microempréstimos.
- Tempo de resposta que melhora experiência do cliente.
Lições práticas que outras empresas podem aplicar
A parceria gerou aprendizados claros que vão além do caso específico.
OCR especializado + LLM vence abordagens isoladas. Modelos grandes de linguagem não substituem OCR dedicado para reconhecimento de caracteres. Eles brilham na estruturação e correção contextual.
Abordagem em cascata aumenta resiliência. Textract como principal e Rekognition como fallback cobrem mais cenários sem aumentar muito o custo.
Detecção de fraude exige camadas complementares. Análise visual pega fotos de tela com alta confiança. Comparação de vetores identifica padrões de gangues de fraude. Juntos, eles entregam resultado robusto e que melhora com o tempo.
Comece simples e adicione complexidade com dados. Usar Textract primeiro trouxe a maior economia. Embeddings em cache e chamadas seletivas de modelos caros otimizam gastos.
Arquitetura serverless acelera experimentação. Step Functions e Lambda permitiram iterações rápidas durante o projeto de seis semanas.
Impacto operacional e planos de expansão
A Sun Finance agora tem flexibilidade para adicionar novos tipos de documento ou idiomas com ajustes de prompt e regras de validação, sem retraining pesado de modelos. Isso facilita entrada em novos mercados na Ásia, África, América Latina e Europa.
A solução modular permite incorporar sinais adicionais no futuro, como análise de metadados EXIF, fingerprint de dispositivo e validação de geolocalização. Cada nova verificação roda em paralelo sem afetar performance.
Equipes de risco ganham velocidade e precisão. Clientes finais recebem aprovação ou rejeição quase imediata, o que aumenta conversão e satisfação.
Por que essa abordagem representa o futuro da verificação digital
Fintechs e instituições financeiras lidam com volume crescente de documentos em regiões com identidades variadas. Soluções que combinam OCR maduro com capacidades de raciocínio de LLMs entregam o equilíbrio ideal entre precisão, custo e velocidade.
A arquitetura serverless elimina preocupações com infraestrutura e permite escalar conforme demanda. Empresas que processam identidades em escala podem replicar esse padrão para reduzir custos operacionais e melhorar controles de risco.
Resultados como os da Sun Finance mostram que IA generativa não precisa ser complexa para gerar valor real. Foco em integração inteligente de serviços especializados costuma trazer os melhores retornos.
Dicas para implementar soluções semelhantes
- Comece com um caso de alto volume e dor clara.
- Defina métricas claras de precisão, custo e latência desde o início.
- Use validação humana em amostras para refinar prompts.
- Mantenha base de fraudes atualizada com casos confirmados.
- Planeje CI/CD para atualizações rápidas de configuração.
A Sun Finance provou que é possível transformar processos manuais intensivos em fluxos automatizados, confiáveis e econômicos em poucas semanas.
