El aprendizaje automático y IA están generando nuevas interrogantes

Publicado el: 15 julio, 2019 | Por: Hoy | e-mail: info@hoy.com.do

La implementación de la inteligencia artificial y el aprendizaje automático se ha hecho presente en todo el panorama financiero. Todos los grandes bancos están actualmente construyendo grupos de IA y de ciencia de datos, mientras que las menciones de tecnología en las presentaciones regulatorias de las compañías han aumentado un 1700% en los últimos dos años y medio.
Más que nunca, las empresas de tecnología financiera están siguiendo el mismo camino, utilizando y desarrollando estas tecnologías de diversas maneras. La IA está cambiando cómo se analizan los datos, las formas en que se satisfacen las necesidades de los clientes y el enfoque utilizado para las contrataciones y la retención del personal. Por ejemplo, más académicos ahora están trabajando con ingenieros financieros para ayudar a cumplir con los desafíos relacionados con aplicar el aprendizaje automático a los tradicionales flujos de trabajo.
Estos acontecimientos y sus implicancias fueron analizados en el último panel organizado por Women in Fintech de Bloomberg. Si bien el cambio hacia la automatización plantea preguntas complejas sobre equidad, precisión y sesgo, también alienta la innovación y presiona para que las empresas evolucionen.

Menos sesgo, más precisión. Al considerar los usos ideales e implicancias de la automatización, la eliminación del error humano y el sesgo es de alta prioridad. El potencial de la tecnología se hace más aparente cuando se está utilizando para el tipo correcto de tareas, y evaluar el lenguaje y las situaciones basados exclusivamente en datos es un ejemplo perfecto.

Estas oportunidades para crear valor son especialmente interesantes para Lena Mass-Cresnik, directora de datos en Moelis & Company. Su estrategia se centra en buscar calidad de datos a escala, ir más allá de la excitación que genera la automatización e identificar dónde y cómo puede ser más útil a través de los casos de uso aplicables.

“Al inicio de la cadena de valor analítica de datos nuestro enfoque es la organización y clasificación de los datos: integración, preparación, garantía de calidad y control, mantenimiento y gobernanza”, explicó. “Es crucial tener establecido el tipo de proceso adecuado para mitigar los problemas relacionados con el sesgo cuando se consideran los aportes a sus modelos”.

Para Carson Kahn las capacidades de automatización relacionadas con el sesgo han probado ser clave para su trabajo como director general de Volley, una compañía de software de aprendizaje automático enfocada en movilizar el capital humano a través del uso del aprendizaje automático y el procesamiento del lenguaje natural.

“Lo asombroso sobre el aprendizaje automático es que tiende a ser muy útil para las cosas en que las personas no son tan buenas y no tan útiles para las cosas para las cuales los humanos son muy buenos. Esto plantea una oportunidad para mejorar la fuerza de trabajo humana”, dijo.
“Creo que el uso del aprendizaje automático es la primera oportunidad que hemos tenido para ayudar a corregir el sesgo a escala sistémica”.

Por supuesto, usar IA para imitar la toma de decisiones humana no es una solución perfecta o integral, ni tampoco pretende eliminar completamente el sesgo. Sin embargo, el potencial de la tecnología para eliminar el error humano y las discrepancias es innegable.

Experiencia del cliente personalizada. A medida que las empresas de tecnología financiera presionan a las tradicionales hacia estrategias más innovadoras y tecnológicamente más avanzadas, el enfoque para ofrecer experiencias mejores y más personalizadas para los clientes se hace más primordial. Apalancar tecnología como la IA y el aprendizaje automático – y la capacidad para evaluar datos y comunicaciones a gran escala – ha pasado a ser esencial para proporcionar el mejor servicio y conocimiento.

“Todo comienza con datos mejores y diferenciables que permiten tener perspectivas más sólidas. Ellos producen resultados y comportamientos deseables que en última instancia generan una atención más focalizada que deriva a esta personalización a escala”, dijo Mass-Cresnik.
“Cuando los modelos de datos están funcionando de esta manera y aprendiendo en el tiempo, usted tendrá mejores análisis de datos y resultados que en última instancia generan niveles de personalización en torno a herramientas para sus clientes. Esto nos permite crear mejores resultados para nuestros clientes”.

Al simplificar el flujo de trabajo repetitivo y permitir que las personas se enfoquen en tareas más complejas y matizadas, esta tecnología se presta a la colaboración.
Como Mass-Cresnik explicó, estos tipos de alianzas entre las tecnológicas financieras y las tradicionales, que pueden ser alentadas y aceleradas por el uso de la automatización, son en última instancia para el beneficio del cliente.

“Tomamos una estrategia centrada en el cliente y el enfoque en la colaboración es el modelo del futuro”, dijo. “La pregunta es ¿cómo construimos nuestro ecosistema de tecnología y quiénes son los colaboradores? ¿Cuáles son los problemas o las oportunidades que estamos tratando de resolver? Construimos en torno a nuestras necesidades, y las suyas, de esa manera”.

Gobernanza, ética y más allá

El crecimiento de la automatización y la confianza que deposita en la inteligencia artificial plantea algunas complejas preguntas éticas que las entidades gobernantes están tratando de definir y responder.

Las cuestiones de seguridad y derechos de propiedad son particularmente importantes de considerar a medida que esta tecnología avanza y se hace cada vez más integrada y donde las soluciones podrían estar en volver a lo básico.