Uso Inteligencia Artifical en finanzas
Cada vez son más las personas que pronostican que la IA pronto automatizará todos los trabajos. ¿Qué hay de verdad en esto? Si nos fijamos en...
Read MoreBlog
Tipos de Inteligencia Artificial
A menudo se emplea el término inteligencia artificial (IA) independientemente del tipo de IA en cuestión o para referirse a una subcategoría como Machine Learning (ML). ¿Qué diferencias existen y por qué...
Read More
Big Data
El 30% de los datos a los que tenemos acceso se están generando en tiempo real, ¿estamos sobre informados? ¿hay más datos disponibles de los que podemos consumir? Yo creo que no, lo explico a continuación...
Read MoreEstrategia
Observo con cierta preocupación el bombo/hype que se le está dando a la inteligencia artificial dentro de las empresas, sobre todo desde un punto de vista de estrategia empresarial...
Read More
×
Uso Inteligencia Artifical en finanzas
by Jorge Rodríguez Sánchez
Cada vez son más las personas que pronostican que la IA pronto automatizará todos los trabajos.
¿Qué hay de verdad en esto?
Si nos fijamos en lo ocurrido hasta ahora, efectivamente los algoritmos basados en inteligencia artificial han sido capaces de ser mejores en sistemas cerrados y estáticos aplicados a una tarea concreta, con resultados francamente impresionantes en muchos casos. No obstante, en sistemas dinámicos como los que nos encontramos en los mercados financieros el track record de la inteligencia artificial ha sido más discreto hasta ahora. Y es que batir al famoso “wisdom of crowds” es uno de los problemas más difíciles.
¿Quiere esto decir que la inteligencia artificial no es útil?
Claramente no. De hecho, todo lo contrario. La inteligencia artificial es una herramienta clave y lo seguirá siendo. Entre otros, nos permite ampliar el abanico de modelos cuantitativos, procesar datos de manera mucho más rápida y mitigar sesgos de comportamiento o behavioural biases que padecemos los seres humanos.
¿Cómo será en el futuro la IA?
La combinación de inteligencia artificial e inteligencia humana (mejor en inferir, hacer analogías, relacionar e interpretar relaciones causa-efecto) serán claves para el desarrollo de algoritmos que nos permitan reducir la incertidumbre.
En este sentido, la experiencia combinada de inteligencia artificial y humana será necesaria y clave en el futuro.
¿Qué opináis?
×
Tipos de Inteligencia Artificial
by Jorge Rodríguez Sánchez
A menudo se emplea el término inteligencia artificial (IA) independientemente del tipo de IA en cuestión o para referirse a una subcategoría como Machine Learning (ML).
¿Qué diferencias existen y por qué es importante tenerlas en cuenta?
La inteligencia artificial se centra en el desarrollo de máquinas capaces de realizar tareas o resolver problemas como lo haría un ser humano y aquí se puede distinguir entre dos tipos: inteligencia artificial estrecha (Narrow Artificial Intelligence) e inteligencia artificial general (General Artificial Intelligence). La primera se centra en realizar una tarea específica mientras que la segunda es más ambiciosa, donde la máquina sería capaz de realizar cualquier tarea como un ser humano. En este sentido tendría la capacidad de aprender, razonar, comprender, adaptarse a distintos entornos e incluso sentir como un humano. Por otro lado, Machine Learning es una forma de inteligencia artificial que abarca algoritmos que aprenden mediante ejemplos y experiencias (aprenden por sí mismos).
¿Por qué es esta distinción importante?
Hasta ahora todo lo que se ha desarrollado, incluso herramientas tan sofisticadas e impactantes como chatGPT, DALL-E, Sora o Gemini entrarían dentro de la categoría de inteligencia artificial estrecha, y desde mi opinión están todavía lejos de asemejarse a algo parecido a la inteligencia artificial general.
Y es innegable que al igual que la revolución industrial, la adopción de la inteligencia artificial transformará el trabajo.
¿Tenemos entonces que tener miedo a la irrupción de la inteligencia artificial?
Mi opinión es que no. Las máquinas están lejos de llegar a abarcar las tareas que hace un profesional humano, dado que todavía estamos hablando de inteligencia artificial estrecha. En este sentido, dudo mucho que la inteligencia artificial pueda reemplazar profesionales en el corto/medio plazo, o al menos en el ámbito financiero. Pero lo que sí que creo que puede llegar a ocurrir es que los profesionales que se apalanquen en la inteligencia artificial acaben siendo más productivos y puedan tener una ventaja comparativa frente a profesionales que no la empleen.
×
Big Data
by Jorge Rodríguez Sánchez
El 30% de los datos a los que tenemos acceso se están generando en tiempo real, ¿estamos sobre informados? ¿hay más datos disponibles de los que podemos consumir? Yo creo que no, lo explico a continuación.
➡️ Hoy vivimos en la era del Big Data. Sin los datos, la inteligencia artificial no podría haber experimentado la aceleración de la que hemos sido testigos. De hecho, buena parte de los algoritmos y técnicas de inteligencia artificial se desarrollaron hace décadas, pero sólo ahora están dando sus frutos gracias a que se están apalancando en el Big Data.
📈 El crecimiento de los datos ha sido exponencial, con el 90% de los datos creados en los últimos dos años. Para el año que viene se estima que llegaremos a 175 zettabytes; para ponerlo en perspectiva imagínate que representamos el Universo Digital con tablets de 128GB como las que tenemos en casa. Pues bien, 175 zettabytes son el equivalente a 25 columnas de esas tablets apiladas, cada columna con una altura equivalente a la distancia de la tierra a la luna, que son 384.400 km.
📖 Entonces, ¿cómo podemos consumir toda esta información? Lo que mejor me funciona a mí es seguir unas pautas:
1️⃣ Intentando extraer datos que sean de valor: piensa que se estima que sólo el 0,5% de los datos está actualmente siendo analizados. Tenemos mucho camino por recorrer, pero también es importante la calidad del dato, que los datos sean veraces. En el mundo financiero también es relevante que sean point-in-time; es decir, que empleemos los datos que había disponibles en cada momento del tiempo a la hora de hacer backtesting de nuestros modelos (las series por ejemplo de inflación o de PIB se publican con retraso y en muchas ocasiones se revisan; esa serie revisada no la tenía en el pasado por lo que no podría haber tomado una decisión en base a ella)
2️⃣ Ampliando el espectro de datos: tenemos tendencia a emplear sólo datos estructurados, pero sólo en torno al 20% de los datos lo son (Excels para entendernos) siendo el resto bien semi-estructurados (HTML) o no estructurados (redes sociales, imágenes por satélite, etc.) Es cierto que en muchas ocasiones los datos estructurados son los que funcionan, pero recurrir por ejemplo al sentimiento que existen en las redes sociales suele ser de gran utilidad y permite anticipar tendencias
3️⃣ Utilizando nuevas herramientas: se tiende a emplear modelos lineales como herramientas de predicción (regresión lineal, por ejemplo), pero la realidad es que las relaciones en los datos financieros normalmente no son lineales. Los modelos lineales en este sentido no son útiles en muchas ocasiones porque se pueden interpretar de mejor manera, pero en ocasiones si las relaciones no son lineales es importante emplear modelos que no las fuercen.
✅ A modo de conclusión, la era del Big Data ha supuesto un gran hito y ha permitido que muchos de las técnicas de #inteligenciaartificial que se vislumbraron hace décadas sean hoy una realidad. Saber hacer uso de toda esta cantidad de datos es importante, pero hay que seguir un método para no caer en la trampa del “garbage in gabage out” (por muy bueno que sea nuestro modelo, si los datos de entrada no tienen calidad suficiente nuestro output no tendrá utilidad).
×
Estrategia
by Jorge Rodríguez Sánchez
Observo con cierta preocupación el bombo/hype que se le está dando a la inteligencia artificial dentro de las empresas, sobre todo desde un punto de vista de estrategia empresarial.
¿Es la inteligencia artificial una estrategia? La respuesta es NO.
➡️ La estrategia tiene que ver con ser innovador, diferente, mientras que desplegar inteligencia artificial sin tener un objetivo claro, un conocimiento profundo del entorno y una valoración objetiva de los recursos disponibles sólo servirá en el mejor de los casos a mejorar la eficacia operativa (ser más rápidos/productivos). En este sentido, la inteligencia artificial no debe ser el fin, sino el medio. Si queremos de verdad sacar el máximo partido no vale adaptar el caso de uso a la inteligencia artificial, sino al revés, adaptar la inteligencia artificial al caso de uso; no vale desplegar por desplegar. Necesitamos más brújula y menos cronómetro.
📖 Entonces, ¿cómo podemos desarrollar una estrategia exitosa? A continuación, lo que a mí me ha funcionado y siguiendo pautas de estrategia empresarial:
1️⃣ Objetivos a largo plazo simples: quiero apalancarme en la inteligencia artificial como herramienta predictiva en los mercados financieros y a nivel empresa de cara a mejorar mi toma de decisiones o crear decisiones semi-automáticas y saber qué es lo que más les preocupa a los inversores
2️⃣ Conocimiento profundo del entorno competitivo: no existe ninguna herramienta de predicción llevada a los tipos de cambio y tipos de interés que necesito, por lo que tiene sentido el objetivo anterior. A nivel de empresa sí que existe algunas herramientas que puedo adaptar
3️⃣ Valoración objetiva de recursos: tengo acceso a datos y mi equipo tiene un gran conocimiento de lo algoritmos, pero necesitamos mayor capacidad computacional para el nivel de complejidad de los modelos. En este sentido, en nuestro caso recurrimos a cloud computing para tener acceso a mayor capacidad
✅ A modo de conclusión, cuidado con el despliegue de la inteligencia artificial sin una estrategia clara. Si lo único que queremos es mejorar la productividad (lo cual está bien) tal vez tenga sentido dar a los equipos acceso a Copilots y Bots que les permitan ser más ágiles. Pero si lo que queremos es diseñar una estrategia, tenemos que tener claro el objetivo y si la inteligencia artificial es útil para el caso de uso concreto que tenemos en mente.