METROPOLIS, 1927

CLEC 2018Quito, Ecuador 2018

INTELIGENCIA ARTIFICIAL EN BANCA

Prof. Ignacio OlmedaLaboratorio de Finanzas Computacionales

Universidad de Alcal

EL POR QU DE LA INTELIGENCIA ARTIFICIAL

METROPOLIS, 1927

EL CONOCIMIENTO ES ALGO CONSUSTANCIAL AL HUMANO

LA COMPRENSION DEL CONOCIMIENTO (INTELIGENCIA) ES UN PASO MAS EN UNA

BUSQUEDA IMPARABLE

Pascalina, 1642

Rabbi Judah Loew y Golem S. XVI ,(,)

Monje Mecnico, 1562

METROPOLIS, 1927

Turco Mecnico, 1769

METROPOLIS, 1927

2001 ODISEA DEL ESPACIO, 1968

TERMINATOR, 1984

EN MUCHAS DE LAS VERSIONES LA IA ES ALGO QUE ESCAPA DE NUESTRO CONTROL Y QUE ACABA POR DESTRUIRNOS

QUE ES LA INTELIGENCIA ARTIFICIAL?

TERMINATOR, 1984

TERMINATOR, 1984

Es la ciencia y la ingeniera de hacermquinas inteligentes, especialmenteprogramas informticos inteligentes.

Est relacionado con la tarea similar deusar computadoras para comprenderla inteligencia humana, pero la IA notiene que limitarse a mtodos quesean biolgicamente observables.

DARMOUTH COLLEGE, 1956

15

16

Inteligencia Artificial

Rn = hombre Gng = trabajoZh = conocimientoNng = capacidad

Rngngzhnng

capacidad de conocimiento en algo creado por el hombre

17

MODELOS

18

IA ML DL La Inteligencia Artificial es algo mas amplio que el

Aprendizaje Automatizado (Machine Learning) o elAprendizaje Profundo (Deep Learning).

Durante dcadas la investigacin se ha centrado en unenfoque simblico aunque recientemente el preponderantees el sub-simblico.

19

IA primitiva: Sistemas Expertos

Reglas (sientonces): Si llueve entonces hay atasco Si hay atasco entonces llego tarde Si llego tarde entonces pierdo mi empleo

Hechos: Llueve Motor de Inferencia: pierdo mi empleo

20

Lgica Borrosa

Lgica Tradicional: {0,1} vs.

Lgica Borrosa: [0,1]

21

IA Moderna

Arboles de Regresin y Clasificacin, k-nn, K-means, K-prototypes, LVQ, MARS, Gramticas, Ontologas, Case BasedReasoning, Autmatas Celulares, Modelos de Colmena,Aprendizaje Reforzado, Modelos de Markov, Redes Bayesianas,Bsqueda Tab.

1. Algoritmos Genticos2. Deep Learning

22

Algoritmos Genticos

23

Algoritmos Genticos

Basados en los principios de evolucin natural (Darwin): Codificacin, Reproduccin,Cruce, Mutacin

Ejemplo: Max x2, x = 1, 2, 3, 4., 32

Poblacin inicial, ejemplo: 1,3, 8, 5

1. Codificacin: codificar en binario, (ADN humano: adenina, timina, guanina y citosina,ATGC)

1000001, 3000011, 5000101, 8001000

24

Algoritmos Genticos

2. Reproduccin: individuos mejor adaptados al medio tienen mayor probabilidad dereproducirse y transmitir su informacin gentica a sus sucesores

Max x2

A(1)=12=1 A(3)=32=9 A(5)=52=25 A(8)=82=64

A(poblacin) = 1+9+25+64 = 99

P(1)=A(1)/A(P)=1/99=1%P(3)=A(3)/A(P)=9/99=9%

P(5)=A(5)/A(P)=25/99=25%P(8)=A(8)/A(P)=64/99=65%

25

Madre: 8 (65%) 001000

Padre: 3 (9%) 000011

1%

9%

35%65%

Algoritmos Genticos

26

Algoritmos Genticos

3. Cruce: intercambio de informacin gentica

Madre (8) 001000Padre (3) 000011Hijo 001011 = 11

A(11)=112=121mejor que los padres

27

Algoritmos Genticos

4. Mutacin: cambio de la cadena con baja probabilidad

Evita el estancamiento

{001000, 001000, 001000,.., 001000}

Mutacin 001001

Todos estos pasos se repetiran miles o millones de veces conpoblaciones mucho mayores.

28

Ejemplo: Anlisis Tcnico

Parmetros = (S,U,D)

29

Parmetros = (C,L)

30

Indicador combinado = P x RSI + (1-P) x MM

Parmetros=(S,U,D,C,L,P) = 100x100x100x100x100x100 = 1 Billn de posibilidades (1012)

Enfoque AG:

Individuos (S,U,D,C,L,P)Funcin de ajuste: $

p.e. (14,70,30,60,120,75) 1.300.000 $p.e. (14,65,35,60,180,50) 1.500.000 $

31

Redes Neuronales Artificiales(Deep Learning)

32

Redes Neuronales Artificiales-RNA(Deep Learning)

Una RNA no es mas que una versin digital, simplificada, delcerebro humano.

Una neurona recibe a travs de las dendritas sealeselctricas procedentes de otras neuronas

Las agrega y procesa en el cuerpo celular Y finalmente las distribuye a otras neuronas, amplificndolas

o amortigundolas.33

Redes Neuronales Artificiales(Deep Learning)

Frente a un estmulo exterior las neuronas reciben y procesan la informacin yprovocan una respuesta si la respuesta es correcta las neuronas que han intervenido refuerzan su

conexin (sinapsis) si es incorrecta se debilita.

Este es el denominado aprendizaje que, simplificadamente consiste en establecercual es el valor de una determinada sinapsis para resolver una determinada tarea.

34

Redes Neuronales Artificiales(Deep Learning)

35

Redes Neuronales Artificiales(Deep Learning)

El aprendizaje se logra a travs de un proceso iterativo deajuste.

Ejemplo: si tenemos estos datos, cual es la relacin entreellos?:

Es sencillo: Y = 2X

36

Hoja1XY123+2(1)243+2(2)003+2(0)-3-63+2(-3)5103+2(5)

El problema en una RNA muy sencilla se representara:

La idea es partir de unos pesos iniciales aleatorios, calcular lasalida bajo estos, calcular la diferencia respecto de la salidadeseada y computar el error.

Despus, iterativamente, vamos cambiando los pesos con elobjetivo de reducir el error a cero.

W1=?2 4

37

Iteracin 1

Iteracin 2

Iteracin 3

38

Hoja1W1 =0XY (deseada)Y' (producida)error=Y-Y'120224040000-3-60-6510010suma10W1 =1XY (deseada)Y' (producida)error=Y-Y'121124220000-3-6-3-351055suma5W1 =2XY (deseada)Y' (producida)error=Y-Y'122024400000-3-6-60510100suma0Hoja1W1 =1XY (deseada)Y' (producida)error=Y-Y'121124220000-3-6-3-351055suma5W1 =1XY (deseada)Y' (producida)error=Y-Y'121124220000-3-6-3-351055suma5W1 =2XY (deseada)Y' (producida)error=Y-Y'122024400000-3-6-60510100suma0Hoja1W1 =2XY (deseada)Y' (producida)error=Y-Y'122024400000-3-6-60510100suma0W1 =1XY (deseada)Y' (producida)error=Y-Y'121124220000-3-6-3-351055suma5W1 =2XY (deseada)Y' (producida)error=Y-Y'122024400000-3-6-60510100suma0

An ms, la red ser capaz de predecir ejemplos que nunca havisto sin ms que aplicar su conocimiento, esto es lo queconocemos como generalizacin.

Y = W1X, W1 =2

39

Hoja1W1 =2XY (deseada)Y' (producida)error=Y-Y'122024400000-3-6-60510100612120suma0W1 =1XY (deseada)Y' (producida)error=Y-Y'121124220000-3-6-3-351055suma5W1 =2XY (deseada)Y' (producida)error=Y-Y'122024400000-3-6-60510100suma0

Los problemas reales son mucho mas complejos y puedenrequerir de miles o millones de input y producir miles omillones de output, Cuanto ms complejo es el problema masneuronas necesitamos distribuidas en capas.

Por esto el aprendizaje en RNA con varias capas se denominadeep learning.

40

Error= -y

Aunque pueda ser mucho ms complejo y requiera mayorpoder computacional la idea es la misma:

Retropropagacin del error

41

Ejemplo: Valoracin de Derivados

Opciones: Vainilla Black Scholes

42

St

T-t

X

Ctr

Con una RNA

43

Exticas ???

B

X

44

St

T-t

X

Ctr

Con una RNA

B

45

PORQUE LA IA ESTA DE MODA

46

47

Funciona

Disponibilidad de Datos

48

Disponibilidad de Datos

Produccin hasta 2000 = f(K,L)

Produccin desde 2000 = f(K,L,D)

49Datos

Coste

Economas de escala + Economas de Alcance

Netflix vs Blockbuster

Netflix sabia que pelculas se pedan y no estabandisponibles, Blockbuster no

Netflix podia recomendar pelculas en funcin de los gustosdel cliente, Blockbuster no

Netflix podia escalar fcilmente el tamao (digital),Blockbuster no (brick-and-mortar)

Netflix podia gestionar su almacen en funcion de lasnecesidades del cliente, Blockbuster no

Nextflix es un gigante, Blockbuster ya no existe

50

Gigantes de Datos

51

Potencia computacional

CPU

Tensor Performance: 110 TeraFLOPS (1012)

GPU

52

FPGA

TPU

53

200 PFLOPS (aprox 20.000 veces mas rapido que Titan V)

En 2021 FRONTIER alcanzara 1 EFLOPS (1.000 PFLOPS)

54

100 M de veces mas rpido que un portatil10.000 aos vs 1 segundo

55

Los expertos predicen que las mquinas sern mejores yms baratas que los humanos: superando a los humanos enla traduccin de lenguaje (en 2014) o escribiendo ensayosescritos (en 2026).

Tambin calculan un 50% de probabilidades de que seanmejores en casi cualquier tarea en los prximos 45 aos.

56

HLMI (Human-Level Machine Intelligence)

Se alcanza cuando mquinas sin ayuda humana pueden realizarcualquier tarea mejor y de forma ms econmica que untrabajador humano.

57

Singularidad

58

An por resolver Conceptualizacin, Meta-aprendizaje Interaccin Humano-Mquina Etica y Regulacin Aprendizaje Humano: Individual+Gentico+Social

59

USO EN BANCA

60

Panorama Bancario tras la Crisis Financiera

1. Mas regulacin (Basilea III, IV Dodd-Frank)

2. Mayor competencia (Fintechs, Big Tech)

1. Menos rentable (mrgenes ms reducidos por tipos deinters bajos)

2. Mas dficilA) Desconfianza de los consumidores: quiebras,

mispricing..)B) CustomizationC) Nuevos patrones de consumo (everything for free)

61

La tecnologa ha sido siempre un impulsor (driver) en laBanca: e.g. ATMs

Sin embargo ahora ES el factor estratgico MAS importante

Los bancos solan competir con bancos, ya no:

62

Nuevos Competidores

63

La Banca (particularmente la de tamao pequeo y mediano)se encuentra en una situacin claramente desventajosafrente a otros competidores en el empleo de herramientascomo la IA.

Pero no solo en IA, tambin en:

Blockchain IoT Realidad Aumentada Computacin ubicua .

Nuevos Competidores

1. Front Office: Chatbot Asistentes de Voz Biometra/Autentificacin

2. Middle Office: Monitorizacin Anti-fraude KYC/AML Compliance

3. Back Office Crdito Seguros Gestin de inversiones Contratos inteligentes

64

reas de Aplicacin

65

Regtech

66

Algo Trading

65 bn. AUM 72% rendimiento anual (1994-2004), peor (2013) +21%

32bn. AUM 20% rendimiento anual (1996-hoy) 1.000 usd en [46.000,247.000] en 20 aos

67

68

Chatbots

69

+ =

70

DILEMAS

71

Dilema 1: Quien debe tomar las decisiones?

PNAS, Danziger et al 2011.

72

Dilema 2: Que decisiones tomar?

73

???? Sunway TaihuLightOK (+/-)Navinder Singh Sarao

Dilema 3: Quien es responsable de las decisiones?

74

75 75

76 76

Vendedor: Este ordenador le quitar la mitad detrabajo

Comprador: Pues deme dos

Dilema 4: A quien contratar?

77

78

79

Henry Ford II: How Will You Get Robots to Pay Union Dues?

Walther Reuther: How Will You Get Robots to Buy Cars?

79

80

81

8282

83

Estn dos peces jvenes nadando, y se encuentran con un pezms viejo nadando hacia el otro lado, quien los saluda con lacabeza y dice:

"Buenos das, chicos, cmo est el agua?"

Los dos peces jvenes nadan un poco, y luego, finalmente,uno de ellos mira al otro y dice:

"Qu demonios es el agua?

La IA es el nuevo Agua

CONCLUSIN

84

La IA puede ser una pesadilla para la Banca:

Competidores (FINTECH) Aspectos Regulatorios Gestin de la Transformacin digital Relacin con stakeholders

La mayor parte de los riesgos financieros provendrn de los riesgos

en IA

85

Pero tambin puede ser un sueo:

Costes mas bajos Mayor personalizacin Nuevos productos Gestin ms sencilla

86

87

MUCHAS GRACIAS

Slide Number 1Slide Number 2Slide Number 3Slide Number 4Slide Number 5Slide Number 6Slide Number 7Slide Number 8Slide Number 9Slide Number 10Slide Number 11Slide Number 12Slide Number 13Slide Number 14Slide Number 15Slide Number 16Slide Number 17Slide Number 18IA ML DLIA primitiva: Sistemas ExpertosLgica BorrosaIA ModernaAlgoritmos GenticosAlgoritmos GenticosAlgoritmos GenticosAlgoritmos GenticosAlgoritmos GenticosAlgoritmos GenticosEjemplo: Anlisis TcnicoSlide Number 30Slide Number 31Redes Neuronales Artificiales(Deep Learning)Redes Neuronales Artificiales-RNA(Deep Learning)Redes Neuronales Artificiales(Deep Learning)Redes Neuronales Artificiales(Deep Learning)Redes Neuronales Artificiales(Deep Learning)Slide Number 37Slide Number 38Slide Number 39Slide Number 40Slide Number 41Slide Number 42Slide Number 43Slide Number 44Slide Number 45Slide Number 46Slide Number 47Slide Number 48Slide Number 49Slide Number 50Slide Number 51Slide Number 52Slide Number 53Slide Number 54Slide Number 55Slide Number 56Slide Number 57Slide Number 58Slide Number 59Slide Number 60Slide Number 61Slide Number 62Slide Number 63Slide Number 64Slide Number 65Slide Number 66Slide Number 67Slide Number 68Slide Number 69Slide Number 70Slide Number 71Slide Number 72Slide Number 73Slide Number 74Slide Number 75Slide Number 76Slide Number 77Slide Number 78Slide Number 79Slide Number 80Slide Number 81Slide Number 82Slide Number 83Slide Number 84Slide Number 85Slide Number 86Slide Number 87