Cada mes, cada semana, en ocasiones a diario, escuchamos en las noticias y leemos en los diversos medios, comentarios, hechos, especulaciones sobre una nueva familia de términos tecnológicos, que anuncian al parecer, una nueva ola tecnológica, como lo fueron las primeras dotcom en los 2000s, o social media una década después.
Machine Learning, Artificial Intelligence, Data Scientist, Bitcoin, van tomando ciudadanía en los foros tecnológicos y de negocios. ¿Qué implican para los negocios, y en particular para el sector financiero? ¿Darán lugar a nuevas burbujas especulativas, como las olas tecnológicas precedentes?
El Machine Learning es parte de la Inteligencia Artificial (AI), y consiste fundamentalmente en algoritmos que aprenden. Aprender a generalizar a partir de lo que se aprende por memoria, es lo que lo inspira el Machine Learning, usando las computadoras como extensión de lo humano, y en lo cual la ciencia de datos es una aplicación.
Abre nuevas oportunidades, por la gran diversidad y la gran cantidad de datos disponibles el día de hoy. La capacidad de cómputo accesible con los recursos humanos para explotarlo ha ido en crecimiento. Hoy puedes rentar una nube y generar mayor potencial para innovación. Los algoritmos que se pueden usar son cada vez más poderosos.
Hay que evitar la fe ciega en los algoritmos sin cuestionar sus resultados, pues los datos tienen sesgos implícitos. Siempre es necesario cuestionar qué datos usar y cuántos, así como cuántas muestras son suficientes.
Aun así, los beneficios son evidentes, al potencializar las capacidades humanas, detonando su plena capacidad. Los humanos pueden procesar small data, las máquinas, el big data. La solución, además, es fácil. Hay que complementar con inteligencia natural humana, pues somos más inteligentes con la IA porque nosotros validamos y formulamos objetivos. El factor humano debe estar involucrado en las decisiones, y éstas deben estar basadas en evidencia sumada con raciocinio.
En particular, hay que poner atención en la recolección de datos y datos abiertos, ¿cuáles son las consecuencias de los datos que recolecto? ¿cuál es la sensibilidad de los datos en sí? ¿cuáles son inferencias sobre los individuos?
La información puede parecer inocua, pero al momento de mezclarla con otras muestras de datos, puede dar a conocer información sensible. Siempre hay beneficios y afectaciones, y la cuestión de seguridad no es secundaria, pues el beneficio puede ser al negocio, pero no al usuario. No se puede detener el progreso, pero se puede ser más responsable al respecto.
a información.
Durante la Risk Management & Trading Conference 2019 (19-22 de junio), de Riskmathics FI, Marcos López de Prado de Cornell University discutirá el uso del Machine Learning para la construcción de portafolios.
Columna de Riskmathics por Gerardo Herrera Villanueva
