FinTech y IA impulsando la próxima ola de innovación

Anna Schoff – Licenciada en un máster (MSc) en Discurso y PLN con experiencia en aprendizaje profundo, ciencia de datos y aprendizaje automático. Sus intereses de investigación incluyen la descodificación neuronal de lenguajes antiguos, la traducción automática con pocos recursos y la identificación de idioma. Tiene amplia experiencia en investigación de lingüística computacional, IA y PLN tanto en el ámbito académico como en la industria.

Bhushan Joshi – Líder de competencias para ISV de Banca, Mercados Financieros y Gestión de Patrimonio, con amplia experiencia en banca digital, mercados de capitales y transformación en la nube. Ha liderado la estrategia de negocio, consultoría e implementaciones de tecnología financiera a gran escala para bancos globales, con un enfoque en microservicios, optimización de procesos y sistemas de trading.

Kenneth Schoff – Especialista técnico distinguido en Open Group en IBM AI Applications con más de 20 años de experiencia en banca, mercados financieros y fintech. Se especializa en soluciones IBM Sterling, ventas técnicas y asesora a ejecutivos de nivel C sobre transformaciones impulsadas por IA en la cadena de suministro y los servicios financieros.

Raja Basu – Líder de gestión de productos e innovación con experiencia en IA, automatización y sostenibilidad en mercados financieros. Con una sólida trayectoria en transformación de tecnología bancaria, ha liderado proyectos globales de asesoría e implementación en Estados Unidos, Canadá, Europa y Asia. Actualmente es becario doctoral en XLRI, y se centra en el impacto de la IA en los sistemas financieros y la sostenibilidad.

¡Descubre las principales noticias y eventos de fintech!

Suscríbete al boletín de FinTech Weekly

Leen ejecutivos de JP Morgan, Coinbase, Blackrock, Klarna y más

El desarrollo de la tecnología de IA para FinTech está creciendo con un gran potencial, pero el crecimiento puede ser más lento que en otras aplicaciones debido a la complejidad del problema.

La IA puede capturar patrones y anomalías que los humanos suelen pasar por alto debido a la capacidad de los sistemas de IA de consumir cantidades muy grandes de datos en muchas formas estructuradas y no estructuradas.

Sin embargo, el cerebro humano con más de 600 billones de conexiones de sinapsis se ha llamado el objeto más complejo que conocemos en cualquier lugar – la Tierra, el sistema solar y más allá.  La IA puede complementar el análisis humano gracias a su capacidad para procesar muchos detalles a gran escala, pero no puede pensar.

En clases sobre IA en Yale hace muchos años, la definieron como “el estudio de los procesos cognitivos mediante modelos computacionales”.  Esta definición sigue aplicando.  A menudo, los modelos computacionales resultantes son útiles por sí mismos, y han avanzado en capacidad desde los Sistemas Expertos y pequeñas Redes Neuronales Artificiales hasta las técnicas de Aprendizaje Profundo utilizadas para construir Modelos de Lenguaje Grandes (LLMs) y los Modelos Fundamentales usados en la IA Generativa.   Los avances en hardware han hecho posible gran parte de esto, y estamos seguros de que habrá más por venir.

A finales de la década de 1990 sabíamos que la falta de conocimiento general en los sistemas AI era un factor limitante significativo, y ahora somos capaces de proporcionarlo en grandes modelos de IA.  La tecnología de IA temprana estaba limitada a tareas muy específicas, un poco como sabios idiotas: capaces de hacer una tarea muy específica muy bien, pero inútiles para cualquier otra cosa.

Dicho esto, sí y aún pueden aportar valor a sus tareas especiales con costos de cómputo mucho más bajos.  Por razones de sostenibilidad, estas tecnologías aún pueden cumplir sus funciones en el panorama de la IA.

Las capacidades de Procesamiento del Lenguaje Natural (NLP) y Procesamiento del Habla que proporcionan los LLM ahora pueden capturar con precisión quizá el 90% del contenido de un intercambio en Lenguaje Natural, lo cual tiene un valor muy alto para la interacción humano-máquina.

En el estado actual del arte, los modelos usados para NLP se ejecutan a un coste computacional muy alto (lee: una factura eléctrica muy alta), lo cual va en contra de las consideraciones de sostenibilidad.  Ten en cuenta que un bibliotecario experimentado o un profesional similar puede proporcionar resultados 100% precisos y solo requiere el almuerzo.  Deberíamos usar el recurso adecuado en el momento adecuado.

Más recientemente, con desarrollos como DeepSeek, vemos optimizaciones al construir aplicaciones más pequeñas y específicas del dominio usando las mismas tecnologías empleadas en los modelos grandes y comprensivos.  Esto es una situación de ganar-ganar al proporcionar tecnología de IA robusta para abordar un dominio de problema mientras se reducen los costos de cómputo.  Por ejemplo, un sistema de IA fintech que respalda la gestión de patrimonio no necesita un trasfondo en literatura inglesa.

Asesoría de Gestión de Patrimonio Asistida por IA

Consideremos la gestión de patrimonio como un ejemplo de aplicación.

Una entrevista con el cliente para crear un perfil del cliente podría estar impulsada por técnicas básicas de IA como un árbol de decisión o un Sistema Experto.  Sin embargo, con base en nuestra experiencia previa con entrevistas impulsadas por algunos Sistemas Expertos, un asesor bien calificado obtendrá mejores resultados solo mediante una conversación.  No hay sustituto para las personas que saben lo que hacen.  La IA debe asistir pero no dirigir.

Análisis de Portafolios

Si el cliente tiene un portafolio actual, esto necesita análisis, y la IA también puede ayudar aquí.  ¿Cómo se han comportado las inversiones con el tiempo?  ¿El cliente tiende a enfocarse en industrias específicas? ¿Cuál es el pronóstico sobre cómo es probable que se desempeñen en el futuro?  ¿Cuál es el historial de las operaciones del cliente?

Con base en el perfil del cliente y el análisis del portafolio, el asesor puede introducir límites específicos sobre qué debe considerar el análisis para el portafolio de inversión propuesto.  Estos podrían incluir preferencias personales, límites de riesgo, límites de fondos disponibles y cualquier otra consideración que pueda condicionar las opciones.

Asesoría de Gestión de Patrimonio Asistida por IA

Hay varias compañías que usan modelos de IA para proporcionar orientación sobre qué acciones o segmentos de mercado probablemente funcionen bien o probablemente funcionen mal. Esto se enmarca como un problema de predicción, en el que se puede predecir el movimiento de la tendencia, o como un problema de clasificación, que es un área donde la IA destaca. Un asesor puede usar estos servicios existentes para proporcionar este tipo de información.

Las consideraciones de Ambiental, Social y Gobernanza (ESG) también pueden influir en el resultado.  Estas pueden que ya estén incluidas como entrada en el modelo de IA usado para hacer el análisis.  El asesor y el cliente deberán discutir qué especificidades incluir en el modelo del portafolio.

Arquitectura de Strawman

Una vista conceptual tipo strawman podría verse algo como el diagrama que aparece a continuación. Es posible que existan muchas variaciones.

Una implementación muy común se basaría en un único modelo fundamental GenAI que haga todo lo que describimos a continuación, pero creemos que es mejor particionar las tareas.

Cada modelo abordaría una parte del dominio del problema y, por lo tanto, podría ser más pequeño que un solo modelo comprensivo.  Algunos sistemas podrían ejecutarse de manera continua mientras que otros se ejecutarían bajo demanda.

En el diagrama, asumimos que habría modelos Predictive Generative AI que sirven como sistemas de asesoría para otros modelos de IA específicos para un propósito.  Estos modelos GenAI harían la mayor parte del análisis del mercado y se entrenarían para los distintos mercados e instrumentos financieros.

Consumirían fuentes de datos y, combinados con otros datos del data lake, producirían predicciones de mercado para crecimiento y detección de anomalías, lo que podría mitigar riesgos.  No estamos convencidos de que esos sistemas ya se hayan madurado hasta un punto en el que sean fiables, pero están avanzando en su desarrollo.

Los resultados de cada modelo Predictive GenAI se registrarían en el data lake.  Además, los modelos de análisis podrían enviar notificaciones a otros modelos para ejecutar tareas específicas.  Estos modelos podrían ejecutarse de forma periódica o quizá de manera continua durante el período en que el mercado de interés está activo.

Los sistemas de trading autónomo podrían usar los feeds de estado de los análisis de mercado para activar operaciones.  Los sistemas de clasificación calificarían los activos periódicamente y mantendrían un historial continuo de clasificaciones de activos en el data lake. Finalmente, llegamos al Asistente de Portafolio GenAI.

El Asistente de Portafolio sería el sistema Recomendador respaldado por IA que tiene acceso a los datos actuales del mercado y al historial.  El asesor podría interactuar con el asistente para proporcionar el perfil del cliente y solicitar recomendaciones.  Esto se haría mejor con el cliente presente.  La interacción del asesor con el cliente debe capturarse y registrarse en el data lake como entrada para el análisis.

El acceso del asesor a los sistemas de IA es a través de una interfaz NLP que podría basarse en texto o en voz.

El Asistente de Portafolio respondería al asesor usando información del modelo, del data lake o consultas de API hacia los modelos de Market Analysis. La interfaz NLP proporciona un asistente potente, pero, basado en la experiencia, el asesor necesitará saber cómo formular las preguntas para obtener resultados útiles.

Sin ese intermediario humano, la experiencia de interactuar con un sistema NLP para un tema tan complejo puede ser frustrante para el principiante. Los Modelos de Lenguaje Grandes son mucho más capaces que cualquier tecnología anterior en este ámbito, pero aun así es probable que no superen la Prueba de Turing.

Una Prueba de Turing requiere que una persona humana no pueda distinguir una máquina de otra persona humana usando las respuestas a preguntas planteadas a ambas.  Estas máquinas no son humanas y no pueden responder exactamente como podría hacerlo un humano. Muchas compañías contratan personas cuyo trabajo consiste literalmente en interactuar con LLMs y sistemas de GenAI mediante la creación de prompts para obtener mejores respuestas del modelo.

Según un informe de 2021 de Juniper research, el 40% de los clientes bancarios globales usarán chatbots de NLP para transacciones para 2025.  Agregar NLP al frente de cualquier aplicación orientada al cliente es, a menudo, donde una compañía comienza.  Otros sistemas de IA se enfocan en automatizar tareas comunes.  Lo último ha sido muy exitoso para aplicaciones de Supply Chain.

La automatización basada en IA puede eliminar muchos procesos manuales y hacer los flujos de trabajo más eficientes.  NLP y automatización de tareas pueden beneficiar a casi cualquier aplicación de industria. El desarrollo de IA para análisis de Mercados Financieros es una tarea relativamente difícil.

La Universidad Cornell desarrolló un modelo GenAI StockGPT.  Consulta “StockGPT: A GenAI Model for Stock Prediction and Trading” en

Conclusión

El análisis de los mercados financieros es algo más complejo que aplicaciones como Supply Chain o incluso Banca.  Hay muchas más variables y comportamientos complejos impulsados en parte por los números del mercado, las regulaciones y las respuestas emocionales de los participantes.

Parte de esto puede capturarse usando estadísticas para reducir el riesgo, pero las predicciones para los mercados financieros entran en la categoría de problemas de álgebra donde hay demasiadas variables y no suficientes ecuaciones.  La IA puede buscar patrones y anomalías además de simplemente hacer las matemáticas.

La Computación Cuántica es otra tecnología que también sería bueno explorar.  Ya está mostrando valor en ciertas aplicaciones en las ciencias. Se ha sugerido usarla para la gestión de riesgos mediante simulaciones de Monte Carlo para un ejemplo financiero.

Veremos qué depara el futuro.