Director de Inteligencia de Aprendizaje Automático [Parte 3 Edición Financiera]

Director de Aprendizaje Automático [Parte 3 Edición Financiera]

Si estás interesado en construir soluciones de ML más rápidamente, ¡visita hf.co/support hoy!

👋 ¡Bienvenido de nuevo a nuestra serie Director de ML Insights, Edición de Finanzas! Si te perdiste ediciones anteriores, puedes encontrarlas aquí:

• Director de Insights de Aprendizaje Automático [Parte 1]
• Director de Insights de Aprendizaje Automático [Parte 2: Edición de SaaS]

Los directores de aprendizaje automático en el sector financiero enfrentan desafíos únicos al navegar sistemas heredados, implementar modelos interpretables y mantener la confianza del cliente, todo ello mientras están altamente regulados (con mucha supervisión gubernamental). Cada uno de estos desafíos requiere un profundo conocimiento de la industria y experiencia técnica para ser piloteado de manera efectiva. Los siguientes expertos de U.S. Bank, Royal Bank of Canada, Moody’s Analytics y ex Científico Investigador en Bloomberg AI ayudan a descubrir gemas únicas dentro del sector de Aprendizaje Automático x Finanzas.

Escucharás a un campeón de tenis nacional junior griego, un autor publicado con más de 100+ patentes y un jugador de polo en bicicleta que jugaba regularmente en el club de polo más antiguo del mundo (el Calcutta Polo Club). Todos se convirtieron en expertos financieros de Aprendizaje Automático.

• Comenzando con Embeddings
• Anunciando Evaluación en el Hub
• Acelera el entrenamiento de modelos grandes utilizando DeepSpeed

🚀 Prepárate, aquí están los principales conocimientos de los mavericks financieros de Aprendizaje Automático:

Descargo de responsabilidad: Todas las opiniones son de personas individuales y no de ningún empleador pasado o actual.

Ioannis Bakagiannis – Director de Aprendizaje Automático, Ciencia de Marketing en RBC

Antecedentes: Experto apasionado de Aprendizaje Automático con experiencia en la entrega de soluciones escalables, de calidad de producción y de vanguardia de Aprendizaje Automático. Ioannis también es el presentador del podcast Bak Up y busca tener un impacto en el mundo a través de la IA.

Dato curioso: Ioannis fue campeón nacional junior de tenis griego.🏆

RBC: Las principales organizaciones del mundo confían en RBC Capital Markets como un socio innovador y de confianza en los mercados de capitales, banca y finanzas.

1. ¿Cómo ha tenido el Aprendizaje Automático un impacto positivo en las finanzas?

Todos sabemos que el Aprendizaje Automático es una fuerza disruptiva en todas las industrias, creando continuamente nuevas oportunidades comerciales. Muchos productos financieros se han creado o modificado debido al Aprendizaje Automático, como seguros personalizados y marketing dirigido.

Las interrupciones y las ganancias son geniales, pero mi impacto financiero favorito ha sido la conversación iniciada por el Aprendizaje Automático sobre la confianza en la toma de decisiones financieras.

En el pasado, las decisiones financieras como la aprobación de préstamos, la determinación de tasas, la gestión de carteras, etc., eran realizadas por humanos con experiencia relevante. Básicamente, las personas confiaban en “otras personas” o “expertos” para las decisiones financieras (y a menudo sin cuestionar).

Cuando el Aprendizaje Automático intentó automatizar ese proceso de toma de decisiones, las personas preguntaron: “¿Por qué deberíamos confiar en un modelo?”. Los modelos parecían ser cajas negras de perdición que venían a reemplazar a personas honestas que trabajaban. Pero ese argumento ha iniciado la conversación sobre la confianza en la toma de decisiones financieras y la ética, independientemente de quién o qué esté involucrado.

Como industria, todavía estamos definiendo esta conversación, pero con más transparencia, gracias al Aprendizaje Automático en las finanzas.

2. ¿Cuáles son los mayores desafíos de Aprendizaje Automático en las finanzas?

No puedo hablar por las empresas, pero las instituciones financieras establecidas experimentan una lucha continua, al igual que todas las organizaciones de larga vida: los sistemas heredados.

Las organizaciones financieras han existido durante mucho tiempo y han evolucionado con el tiempo, pero hoy en día se han convertido de alguna manera en “empresas de tecnología”. Dichas organizaciones necesitan formar parte de tecnologías de vanguardia para poder competir con los nuevos rivales, pero al mismo tiempo mantener la solidez que hace que nuestro mundo financiero funcione.

Esta batalla interna se ve sesgada por el apetito de riesgo de las instituciones. El riesgo financiero aumenta linealmente (por lo general) con la escala de la solución que brindas, ya que estamos hablando de dinero. Pero además de eso, hay otras formas de riesgo que conlleva una falla del sistema, como el riesgo regulatorio y reputacional. Este riesgo compuesto, junto con la complejidad de migrar un sistema enorme y maduro a una nueva pila tecnológica, es, al menos en mi opinión, el mayor desafío en la adopción de tecnologías de vanguardia como el Aprendizaje Automático.

3. ¿Cuál es un error común que ves a las personas cometer al intentar integrar el Aprendizaje Automático en aplicaciones financieras?

El Aprendizaje Automático, a pesar de toda su atención reciente, sigue siendo un campo relativamente nuevo en la ingeniería de software. La implementación de aplicaciones de Aprendizaje Automático a menudo no es un proceso bien definido. El artista/ingeniero puede entregar una aplicación de Aprendizaje Automático, pero el mundo que la rodea aún no está familiarizado con el proceso técnico. En esa intersección de mundos técnicos y no técnicos, he visto la mayoría de los “errores”.

Es difícil optimizar los KPIs correctos para el negocio y el aprendizaje automático (ML) y definir la función objetivo correcta o las etiquetas deseadas. He visto aplicaciones desperdiciarse debido a ventanas de predicción no deseadas o porque predicen las etiquetas incorrectas.

El peor resultado ocurre cuando el desalineamiento no se descubre en la etapa de desarrollo y llega a la producción.

Luego, las aplicaciones pueden generar un comportamiento no deseado en el usuario o simplemente medir/predecir algo incorrecto. Desafortunadamente, tendemos a equipar a los equipos de ML con herramientas y recursos informáticos, pero no con procesos sólidos y buffers de comunicación. Y los errores al comienzo de un proceso mal definido crecen con cada paso.

4. ¿Qué te emociona más sobre el futuro del ML?

Es difícil no emocionarse con todo lo nuevo que surge del ML. El campo cambia tan frecuentemente que resulta refrescante.

Actualmente, somos buenos resolviendo problemas individuales: visión por computadora, predicción de la siguiente palabra, generación de puntos de datos, etc., pero no hemos sido capaces de abordar múltiples problemas al mismo tiempo. Estoy emocionado de ver cómo podemos modelar tales comportamientos en expresiones matemáticas que actualmente parecen contradecirse entre sí. ¡Espero que lleguemos pronto a ese punto!

Debanjan Mahata – Director de AI y ML en Moody’s Analytics / Ex Científico Investigador @ Bloomberg AI

Antecedentes: Debanjan es Director de Aprendizaje Automático en el Equipo de IA de Moody’s Analytics y también se desempeña como Profesor Adjunto en IIIT-Delhi, India. Es un investigador activo y actualmente está interesado en diversos problemas de extracción de información y técnicas de adaptación de dominio en NLP. Tiene un historial de formular y aplicar el aprendizaje automático en diversos casos de uso. Participa activamente en el comité de programas de diferentes conferencias de primer nivel en aprendizaje automático.

Dato Curioso: Debanjan jugó al polo en bicicleta en el club de polo más antiguo del mundo (el Calcutta Polo Club) cuando era niño.

Moody’s Analytics: Proporciona inteligencia financiera y herramientas analíticas que respaldan el crecimiento, la eficiencia y los objetivos de gestión de riesgos de nuestros clientes.

1. ¿Cómo ha tenido un impacto positivo el ML en las finanzas?

El aprendizaje automático (ML) ha tenido un impacto positivo significativo en la industria financiera de muchas maneras. Por ejemplo, ha ayudado a combatir delitos financieros e identificar transacciones fraudulentas. El aprendizaje automático ha sido una herramienta crucial en aplicaciones como la detección de Conozca a su Cliente (KYC) y el Lavado de Dinero (AML). Con el aumento de las multas por AML por parte de las instituciones financieras en todo el mundo, el ámbito en constante cambio de las sanciones y la mayor complejidad en el lavado de dinero, los bancos están aumentando sus inversiones en tecnologías de KYC y AML, muchas de las cuales están impulsadas por ML. El ML está revolucionando múltiples aspectos de este sector, especialmente al proporcionar grandes ganancias de eficiencia al automatizar diversos procesos y ayudar a los analistas a desempeñar sus trabajos de manera más eficiente y precisa.

Una de las características útiles clave del ML es que puede aprender y descubrir patrones ocultos en grandes volúmenes de datos. Con un enfoque en la digitalización, el sector financiero está produciendo datos digitales más que nunca, lo que dificulta su comprensión, procesamiento y toma de decisiones para los humanos. El ML permite a los humanos dar sentido a los datos, extraer información de ellos y tomar decisiones bien fundamentadas. En Moody’s Analytics, estamos utilizando el ML y ayudando a nuestros clientes a gestionar mejor el riesgo y cumplir con las demandas comerciales e industriales.

2. ¿Cuáles son los mayores desafíos de ML en las finanzas?

1. Reducir los falsos positivos sin afectar a los verdaderos positivos – Varias aplicaciones que utilizan ML en el espacio regtech se basan en alertas. Con medidas regulatorias estrictas y grandes implicaciones financieras de una decisión incorrecta, las investigaciones humanas pueden ser demoradas y exigentes. Sin duda, el ML ayuda en estos escenarios al ayudar a los analistas humanos a tomar las decisiones correctas. Pero si un sistema de ML produce muchos falsos positivos, dificulta el trabajo de los analistas. Encontrar el equilibrio correcto es un desafío importante para el ML en las finanzas.

2. Brecha entre la investigación básica y la educación en ML y las finanzas – Debido a la naturaleza regulada de la industria financiera, vemos una limitada intercambio de ideas, datos y recursos entre la investigación básica y el sector financiero en el área de ML. Hay algunas excepciones, por supuesto. Esto ha llevado a la escasez de desarrollo de investigaciones de ML que satisfagan las necesidades de la industria financiera. Creo que se deben hacer más esfuerzos para reducir esta brecha. De lo contrario, será cada vez más difícil para la industria financiera aprovechar los últimos avances en ML.

3. Infraestructura y bases de datos heredadas – Muchas instituciones financieras aún tienen infraestructuras heredadas que dificultan la aplicación de tecnologías de ML modernas y, especialmente, su integración. La industria financiera se beneficiaría al adoptar ideas clave, cultura y mejores prácticas de la industria tecnológica cuando se trata de desarrollar nuevas infraestructuras y permitir que los profesionales de ML innoven y tengan un mayor impacto. Ciertamente, existen desafíos relacionados con la operacionalización del ML en toda la industria.

4. Gobernanza de datos y modelos: se deben realizar más esfuerzos en la gobernanza de datos y modelos en este sector. A medida que recopilamos cada vez más datos, se deben aumentar los esfuerzos para recopilar datos de alta calidad y los datos correctos. Se deben tomar precauciones adicionales cuando los modelos de ML están involucrados en la toma de decisiones. Se deben desarrollar medidas y marcos adecuados de gobernanza de modelos para diferentes aplicaciones financieras. Un gran desafío en este espacio es la falta de herramientas y tecnologías para operacionalizar la gobernanza de datos y modelos que a menudo se necesitan para sistemas de ML que operan en este sector. También se deben hacer más esfuerzos para comprender el sesgo en los datos que entrenan los modelos y cómo convertirlo en una práctica común para mitigarlo en el proceso general. Garantizar la auditabilidad, la línea de genealogía de modelos y datos ha sido un desafío para los equipos de ML.

5. Explicabilidad e interpretabilidad: desarrollar modelos altamente precisos, interpretables y explicables es un gran desafío. Los modelos de aprendizaje profundo modernos a menudo superan a los modelos más tradicionales; sin embargo, carecen de explicabilidad e interpretabilidad. La mayoría de las aplicaciones en finanzas requieren explicabilidad. Adoptar los últimos avances en esta área y garantizar el desarrollo de modelos interpretables con predicciones explicables ha sido un desafío.

3. ¿Cuál es un error común que ves que la gente comete al intentar integrar el aprendizaje automático en aplicaciones financieras?

• No entender bien los datos y las predicciones en bruto realizadas por los modelos de aprendizaje automático entrenados con ellos.
• No analizar los esfuerzos fallidos y aprender de ellos.
• No entender la aplicación final y cómo se utilizará.
• Intentar técnicas complejas cuando soluciones más simples podrían ser suficientes.

4. ¿Qué es lo que más te entusiasma del futuro del aprendizaje automático?

Me sorprende mucho cómo los modelos modernos de aprendizaje automático han aprendido representaciones ricas de texto, audio, imágenes, videos, código, etc. utilizando el aprendizaje auto-supervisado en grandes cantidades de datos. El futuro es sin duda multi-modal y ha habido un progreso constante en la comprensión del contenido multi-modal a través del aprendizaje automático. Creo que esto jugará un papel crucial en un futuro cercano y estoy emocionado por ello y espero formar parte de estos avances.

Soumitri Kolavennu – Líder de Inteligencia Artificial – Analítica y AI empresarial en U.S. Bank

Antecedentes: Soumitri Kolavennu es un SVP y jefe de investigación de AI en la organización de analítica y AI empresarial de U.S. Bank. Actualmente se enfoca en el aprendizaje profundo basado en NLP, visión y análisis de audio, redes neuronales gráficas, fusión de sensores/conocimientos, datos de series temporales con aplicaciones en automatización, extracción de información, detección de fraudes y lavado de dinero en sistemas financieros.

Anteriormente, ocupó el cargo de Líder de Fellows y Senior Fellow, mientras trabajaba en Honeywell International Inc., donde trabajó en IoT y sistemas de control aplicados a hogares inteligentes, ciudades inteligentes, sistemas industriales y automotrices.

Dato Curioso: Soumitri es un prolífico inventor con más de 100 patentes estadounidenses en diversos campos, que incluyen sistemas de control, Internet de las cosas, redes inalámbricas, optimización, turbocargadores, reconocimiento de voz, aprendizaje automático e inteligencia artificial. También tiene alrededor de 30 publicaciones, ha escrito un libro, capítulos de libros y fue elegido miembro del comité de la red eléctrica inteligente de NIST.

U.S. Bank: El banco regional más grande de Estados Unidos, U.S. Bank combina sus equipos de relaciones, sucursales y redes de cajeros automáticos con herramientas digitales que permiten a los clientes realizar transacciones bancarias cuando, donde y cómo prefieran.

1. ¿Cómo ha tenido un impacto positivo el aprendizaje automático en las finanzas?

El aprendizaje automático y la inteligencia artificial han tenido un impacto profundo y positivo en las finanzas en general y en la banca en particular. Hay muchas aplicaciones en la banca donde se deben considerar muchos factores (características) al tomar una decisión y el aprendizaje automático ha ayudado tradicionalmente en este aspecto. Por ejemplo, el puntaje crediticio en el que todos confiamos universalmente se deriva de un algoritmo de aprendizaje automático.

A lo largo de los años, el aprendizaje automático también ha ayudado a eliminar el sesgo humano de las decisiones y ha proporcionado un enfoque algorítmico consistente para las decisiones. Por ejemplo, en la evaluación de tarjetas de crédito/préstamos e hipotecas, las técnicas modernas de IA pueden tener en cuenta más factores (texto de formulario libre, tendencias de comportamiento, interacciones sociales y financieras) para tomar decisiones y también detectar fraudes.

2. ¿Cuáles son los mayores desafíos de aprendizaje automático en las finanzas?

La industria financiera y bancaria presenta muchos desafíos debido a la naturaleza de la industria. En primer lugar, es una industria altamente regulada con supervisión gubernamental en muchos aspectos. Los datos que se utilizan con frecuencia son muy personales e identificables (números de seguridad social, estados de cuenta bancarios, registros fiscales, etc.). Por lo tanto, se toma mucho cuidado para crear modelos de aprendizaje automático e IA que sean privados e imparciales. Muchas regulaciones gubernamentales requieren que los modelos sean explicables. Por ejemplo, si se niega un préstamo, existe una necesidad fundamental de explicar por qué se negó.

Por otro lado, los datos, que pueden ser escasos en otras industrias, son abundantes en la industria financiera (por ejemplo, los registros hipotecarios deben mantenerse durante 30 años). La tendencia actual de digitalización de datos y la explosión de técnicas de AI/ML más sofisticadas ha creado una oportunidad única para la aplicación de estos avances.

3. ¿Cuál es un error común que ves que la gente comete al tratar de integrar el aprendizaje automático (ML) en aplicaciones financieras?

Uno de los errores más comunes que comete la gente es utilizar un modelo o una técnica sin entender los principios de funcionamiento subyacentes, las ventajas y desventajas del modelo. La gente tiende a pensar en los modelos de IA/ML como una “caja negra”. En finanzas, es especialmente importante comprender el modelo y poder explicar su salida. Otro error es no probar exhaustivamente el modelo en un espacio de entrada representativo. El rendimiento del modelo, la validación, las capacidades de inferencia y el monitoreo del modelo (intervalos de reentrenamiento) son todos importantes a considerar al elegir un modelo.

4. ¿Qué es lo que más te entusiasma del futuro del ML?

Actualmente es un gran momento para estar en el campo del ML y la IA aplicada. Las técnicas en IA/ML están sin duda refinando, si no redefiniendo, muchas disciplinas científicas. Estoy muy emocionado por cómo todos los desarrollos que están en marcha actualmente remodelarán el futuro.

Cuando comencé a trabajar en PNL, quedé asombrado por la capacidad de las redes neuronales/modelos de lenguaje para generar un número o vector (que ahora llamamos embeddings) que representa una palabra, una oración con la gramática asociada, o incluso un párrafo. Constantemente estamos buscando embeddings más apropiados y contextuales.

Hemos avanzado mucho más allá de un “simple” embedding para un texto a embeddings “multimodales” que me parecen aún más impresionantes. Estoy muy emocionado y espero generar y jugar con estos nuevos embeddings que permitirán aplicaciones aún más emocionantes en el futuro.

---

🤗 Gracias por acompañarnos en esta tercera entrega de Perspectivas de Directores de ML. Estén atentos para más ideas de Directores de ML.

Un gran agradecimiento a Soumitri Kolavennu, Debanjan Mahata e Ioannis Bakagiannis por sus brillantes ideas y participación en este artículo. Esperamos con ansias ver su éxito continuo y los alentaremos en cada paso del camino. 🎉

Si estás interesado en acelerar tu hoja de ruta de ML con los Expertos de Hugging Face, visita hf.co/support para obtener más información.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!