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'122024400000-3-6-60510100suma0An 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'122024400000-3-6-60510100suma0Los 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 87Top Related