Traducido del inglés al español - www.onlinedoctranslator.

com

Artículo de investigación ISSN 2304-2613 (impreso); ISSN 2305-8730 (en línea)

Automatización y aprendizaje automático en la transformación de la

industria financiera

Praveen Kumar Donepudi

Arquitecto principal, Servicios de infraestructura de TI, Cognizant Technology Solutions, Estados Unidos

*
Correo electrónico para correspondencia: praveen.donepudi@ust-global.com

https://doi.org/10.18034/abr.v9i3.494

ABSTRACTO

El objetivo principal de este estudio fue analizar la influencia del aprendizaje automático en la era digital,
particularmente en el campo de las finanzas. Este estudio involucra la aplicación del aprendizaje automático, sus
desafíos, oportunidades y efecto en las vacantes y las operaciones. Este artículo se basa en los hallazgos de un
estudio cualitativo del texto sobre el tema del aprendizaje automático en las finanzas. La parte teórica de este
artículo explora el marco universal, como el pasado, el existente y el siguiente nivel del aprendizaje automático,
con énfasis en sus ventajas e inconvenientes. El estudio también examina el reconocimiento global del
aprendizaje automático en la revisión del desarrollo y las nuevas empresas de inteligencia artificial en países
europeos. La metodología de investigación utilizada en este estudio fue la evaluación de los métodos cualitativos
en el trabajo. El estudio también revisó veinte registros electrónicos y artículos sobre aprendizaje automático en
finanzas. Durante la investigación sobre cómo la tecnología informática transforma el sector bancario, se discutió
la implementación y el impacto de la inteligencia artificial en el financiamiento. La investigación muestra que
varias instituciones financieras se han beneficiado significativamente de la introducción de una variedad de
aprendizaje automático e inteligencia artificial. Este trabajo demuestra que existe una falta de experiencia en el
campo del aprendizaje automático, incluso cuando muchas tareas no calificadas o semicualificadas realizadas por
individuos son realizadas por máquinas. Este estudio ha demostrado que, a través de la valoración bancaria y
financiera, ya sea en la fabricación, el análisis de datos o seguir invirtiendo, habrá muchos más desarrollos que
pueden hacer el trabajo.

Palabras clave: Inteligencia artificial, Innovación, servicios financieros, asistente virtual, aprendizaje automático, tecnologías

INTRODUCCIÓN idiomas y vehículos de conducción, y también han sido utilizados

Se han intensificado los estudios en los campos de la ingeniería de
software y la analítica para desarrollar técnicas innovadoras para
obtener información de una amplia gama de conjuntos de datos. La
información estadística puede ser de diferentes formas, de
diferentes tipos y de calidad comparable. Tales estrategias pueden
aprovechar el potencial de las máquinas para realizar tareas como el
reconocimiento de imágenes y el uso de guiones naturales a través
del aprendizaje experiencial. El uso de métodos computacionales
para resolver tareas que históricamente involucran la creatividad
humana se conoce comúnmente como 'inteligencia artificial' (IA)
(Chuiet al., 2016). La IA existe como sector desde hace varios años.
Sin embargo, las recientes mejoras en la tecnología informática,
combinadas con los avances en la disponibilidad y el volumen de la
información, han llevado a un aumento masivo de las futuras
tecnologías de IA. Estas tecnologías se utilizan para detectar
condiciones, decodificar
progresivamente por la industria financiera.
Se considera que la IA es la tendencia de las máquinas a tomar
decisiones sensatas similares a las del cerebro y a desarrollarse
con el tiempo. Por otro lado, Machine Learning (ML) incluye el
diseño de conceptos, a menudo modelos estadísticos que
brindan precisión en las predicciones y se pueden crear. Varias
personas asocian la IA con robots que imitan las funciones
humanas y la creatividad en su operación, por lo que las
industrias del entretenimiento se han apresurado a convencer a
la gente de que la IA se aplica a la robótica (Kokina & Davenport,
2017). Aunque esto es cierto, hay más a través del software de
reconocimiento facial, escáneres de huellas dactilares, chat bots,
reconocimiento de patrones, estrategias comerciales
computacionales y análisis psicológico. Inicialmente, la
integración de la IA en el desarrollo de software solo era factible
para grandes organizaciones con la capacidad de emplear
profesionales altamente calificados.

Copyright © CC-BY-NC 2014, Consorcio Empresarial Asiático | ABR Página 129

Donepudi: automatización y aprendizaje automático en la transformación de la industria financiera (129-138)

Se han diseñado programas de IA de complejidad, con pocas líneas

de programación en cada lenguaje de programación preferido; se
está diseñando un sistema inteligente.

Por lo tanto, el objetivo de este artículo es examinar cómo y por qué

se ha aplicado la IA a varios sectores, especialmente en el contexto
de las finanzas. Además, el documento responde a la pregunta de
investigación del estudio: ¿cuáles son los riesgos y las oportunidades
de la IA? ¿Cuáles son las aplicaciones de la IA para el sector
financiero? ¿Cómo se adopta la IA a nivel internacional? ¿Qué
influencia tendría la IA en la trayectoria profesional de los trabajos y Figura 1: Datos enormes y la inteligencia artificial en el aprendizaje y el análisis de
mecanismos financieros? ¿Cómo podría verse así el desarrollo de Ai? máquinas
¿Qué medidas toman las empresas para prosperar en una era
tecnológica dinámica? Se ha utilizado un estudio de texto del
METROEtodologia
proceso de investigación cualitativa como una alternativa para
abordar estos problemas. Procesos de investigación

Muchos dispositivos móviles modernos identificarán
rostros y firmas y los utilizarán como control de
seguridad principal. La integración de IA también se ha
utilizado para identificar fraudes en el sistema financiero,
donde se identifican transacciones sospechosas y se
activan las alarmas. Actualmente se han desarrollado
varias aplicaciones en el mundo corporativo utilizando IA
para crear modelos computacionales que se pueden
mejorar significativamente (De Prado, 2018). Los modelos
predictivos pueden incorporarse en los pronósticos de
precios de propiedades, tipos de cambio de divisas,
modelos contables y financieros, modelos de pronóstico
de demanda y, hasta cierto punto, un análisis nostálgico
de cómo los clientes responden a un producto en
particular. Por ejemplo, su incorporación al mundo
empresarial ha supuesto un aumento de las ventas.
Amazon, por ejemplo, reportó más del 60 por ciento de
los ingresos de sus sistemas de recomendación.
El sector de servicios financieros integra IA para analizar datos
masivos, rastrear estafas mediante la detección de transacciones
sospechosas, interactuar electrónicamente con los clientes y
explorar una serie de otras funciones clave. En lo que respecta a la
reconfiguración facial, identificación de voz y ML, hay eventos
beneficiosos extremadamente importantes. Las nuevas tecnologías
brindan grandes beneficios para maximizar el valor de las
propuestas del cliente para impulsar la productividad y la eficiencia
en la empresa. Las herramientas de inteligencia artificial traerán
beneficios significativos al sector financiero, permitiendo la
automatización de ciertas actividades y mejorando las capacidades
analíticas en comparación con las técnicas convencionales que se
están volviendo rápidamente obsoletas (Chuiet al., 2015). Sin
embargo, a pesar de las ventajas que cambian la vida de las
aplicaciones de IA, a menudo tienen diferentes inconvenientes que
podrían hacer que no sean ideales para llevar a cabo ciertas tareas,
junto con una variedad de riesgos que deben abordarse en
consecuencia. Este documento demuestra cómo se utiliza la
máquina de aprendizaje de inteligencia artificial para la resolución
de problemas en una serie de eventos que se aprovechan de forma
independiente y automática sin la participación humana.
El análisis incluye encontrar e intentar redefinir preocupaciones,
diseñar modelos o soluciones recomendadas; recopilar,
organizar y analizar datos; racionalizar y sacar conclusiones; y,
en última instancia, comprobar las conclusiones para
determinar si son adecuadas al supuesto. La metodología de
investigación describe la hoja de ruta de la investigación y define
las tareas clave de la comunidad de investigación local. El
objetivo de esta investigación es reconocer la influencia de la IA
en el sector de servicios financieros.
Metodología de investigación
Esta investigación utiliza una metodología de investigación
cualitativa para estudiar la aplicación y los efectos de la IA en las
finanzas, además de investigar cómo la inteligencia artificial está
cambiando la industria de servicios financieros. Esta
metodología de investigación busca explorar la IA en las
finanzas de una manera más amplia y detallada. La investigación
cualitativa se centra en las causas de la calidad, es decir, los
fenómenos que responden a la calidad o la involucran. El análisis
cualitativo tiene como objetivo evaluar dichos procesos o
comportamientos y luego mostrar cómo se pueden combinar y
agrupar para producir resultados medibles. Esta forma de
análisis es más selectiva y requiere una interpretación minuciosa
de las variables. El beneficio de este conjunto de métodos es que
es versátil y fácil de responder a los cambios en el entorno de la
investigación y también a un bajo costo. Aunque se establecen
datos cuantitativos,
Análisis de documentos
El análisis de documentos es un método estructurado en el que se
pueden verificar o revisar registros que pueden ser tanto escritos
como electrónicos (basados en computadora y mundo en línea). La
elección de la "revisión de documentos" como herramienta de
estudio puede tener muchas ventajas: permite al investigador llegar
a "individuos o sujetos inaccesibles". Varios documentos de 'dominio
público' son recopilados por profesionales y proporcionan
conocimientos y observaciones muy útiles y documentales que están
disponibles para las más altas expectativas y, por lo tanto, son muy
económicos. En particular, estos registros pueden ser una fuente de
datos increíblemente precisa, ya que se producen por razones
nacionales o extranjeras.

Página 130 Revisión de negocios asiáticos ●Volumen 9 ●Número 3/2019

Artículo de investigación ISSN 2304-2613 (impreso); ISSN 2305-8730 (en línea)

Para este estudio, se eligió la revisión del sistema de recopilación de ARTIFICIAL INTELIGENCIA (AI)
datos cualitativos, ya que brinda la oportunidad de analizar los datos
La IA es un término amplio que se refiere a los avances tecnológicos
recopilados por los profesionales, que a menudo no son accesibles a
que en realidad hacen que las computadoras sean "inteligentes".
través de una metodología externa, y estos documentos también
Hay muchos términos diferentes relacionados con la IA, como
están bastante disponibles. Por ejemplo, los hallazgos de diferentes
aprendizaje profundo, ML, reconocimiento de imágenes,
organizaciones internacionales se centran en encuestas a largo
procesamiento del lenguaje natural (NLP), tecnologías cognitivas,
plazo en las que un académico no puede realizarlas. Por lo tanto,
mejora cognitiva, inteligencia artificial e inteligencia aumentada. La
este tipo de documentos han sido útiles para esta investigación, y la
IA, como se usa aquí, involucra todas las ideas de un evento. La IA
mayoría de ellos se puede acceder a través de sitios web oficiales a
está trabajando para crear un marco autónomo e inteligente. ML es
nivel organizacional.
una categoría de IA que permite a la computadora avanzar en su
Materiales usados comprensión electrónicamente sin la intervención humana directa
(Mullainathan & Spiess, 2017). Hay dos técnicas que opera la IA, una
Como en todo enfoque empírico utilizado en la investigación
de las cuales es conceptual, mientras que la otra se enfoca en los
cualitativa, el estudio de documentos requiere ser revisado y
resultados. En el caso de un sistema de base de datos llamado ML,
evaluado con el fin de evaluar el contexto, recopilar
deberíamos transmitir una gran cantidad de datos al sistema antes
conocimientos y obtener información. Este documento examina
de que se puedan entender. Las máquinas aprenderán mucho más
una variedad de recursos en línea seleccionados sobre la base
sobre las medidas. La computadora monitorea una gran cantidad de
de las siguientes métricas: "IA y finanzas" "Efectos de la IA en las
datos de alta dimensión y evalúa patrones. Cuando se hayan
finanzas", "Aplicación de la IA en las finanzas", "El futuro de las
estudiado estos modelos, harán predicciones de que los individuos
finanzas" y "Prioridades de la estrategia de IA". A lo largo del
no han podido manejarlos. La IA se compone de varios subcampos,
estudio se ha considerado que los trabajos y artículos utilizados
como se ilustra en la figura 2.
para el análisis han sido precisos.

Figura 2: Subsecciones de la IA (Mackenzie, 2015)

El estudio de IA incluye pensamiento, representación de
información, preparación, aprendizaje, PNL, comprensión y
capacidad para controlar y transferir información. La inteligencia
general es una de las prioridades a largo plazo de la IA. Las
estrategias suelen incluir estrategias analíticas, inteligencia artificial
e IA simbólicas tradicionales. Varios mecanismos han sido
utilizados en IA, como optimización de búsqueda, estrategias de
clasificación y marcos numéricos, tanto potencialmente
rentables. El área de IA se centra en tecnologías de la
información, aritmética, literatura, psicología y filosofía. Los
científicos científicos en los campos estadístico y analítico han
desarrollado métodos innovadores para

Copyright © CC-BY-NC 2014, Consorcio Empresarial Asiático | ABR Página 131

Donepudi: automatización y aprendizaje automático en la transformación de la industria financiera
Obtenga información significativa que varía de los vastos conjuntos
de datos (De Prado, 2018). La información puede clasificarse en
diferentes categorías, o la información puede estar configurada o
mal configurada. Mediante el uso de técnicas, es posible maximizar
la capacidad de las máquinas para realizar tareas a través de la
educación experiencial, como la PNL y la identificación de imágenes.
La IA se está desarrollando gradualmente en varios sectores
diferentes. Hay un sinfín de solicitudes de IA. La innovación
podría aplicarse en una amplia gama de sectores y empresas.
Por ejemplo, en el campo médico, la IA se ha probado y aplicado
para la dosificación y tratamientos separados en pacientes y
cirugía. Además, la IA se utiliza en la identificación y marcado de
operaciones bancarias y financieras, como el uso inusual de
tarjetas de cajero automático y grandes depósitos bancarios,
todo lo cual ayuda a la unidad de fraude del banco (Gomberet al.
, 2018). Las implementaciones de IA también se utilizan para
agilizar y promover los negocios. Esto se puede lograr
promoviendo la evaluación de la producción, la demanda y el
costo de las acciones.
Tipos de inteligencia artificial
A pesar del hecho de que la IA es ciertamente
multidimensional, todavía hay tipos únicos de IA en los que
caen las clases expandidas. Hay varios conceptos y
significados en la IA que dificultan el análisis de la distinción
entre tipos, subsecciones o diversidad de IA, pero cada uno
de ellos tiene puntos de vista distintos. Algunas
subsecciones más de IA incluyen ML, Big Data y NLP (Sharma
et al., 2014). No obstante, en esta sección se analizan cuatro
categorías principales de IA: ordenadores reactivos,
memoria limitada, teoría de la conciencia y autoconciencia.
Figura 2: Tipos de IA
Las máquinas reactivas son importantes porque no pueden
retener "recuerdos" y utilizan la experiencia previa para
identificar proyectos futuros. Básicamente, miran al mundo
y luego responden a él. Deep Blue de IBM,
Página 132
(129-138)
realizado por el gran maestro de ajedrez Kasporov, es una
máquina sensible que reconoce y responde a los títeres en el
tablero de ajedrez. No ha podido conectarse con ninguna de sus
experiencias anteriores y, por lo tanto, no puede adaptarse al
proceso de planificación. Google Al-phaGo, que prevaleció sobre
el Go Champion individual, es otro ejemplo de un método
reactivo.
La memoria restringida consiste en modelos ML que derivan la
comprensión de hechos, conocimiento encriptado o eventos que se
han aprendido. Con la excepción, quizás, de las computadoras
reactivas, la memoria limitada se beneficia de los viejos tiempos a
través de la observación de eventos o la información proporcionada
para crear experiencia. La mayoría de las aplicaciones conocidas
pertenecen a la misma clase de IA. Los sistemas de memoria
restringida pueden retener información durante un breve período
de tiempo. Por ejemplo, algunos coches, bots de chat y ayudantes
privados virtuales utilizan una innovación de memoria limitada.
miFUSIÓN DEL AI
El mundo ha experimentado enormes avances industriales
que han llevado al desarrollo de sistemas de inteligencia
artificial que actualmente controlan muchos sectores,
incluido el financiero. El desarrollo de la máquina de vapor
fue la primera revolución que tuvo lugar en 1784. A esto le
siguió el desarrollo de la electricidad en 1870, que hizo
posible el uso de máquinas. Además, la tecnología de la
información (TI) surgió en 1969, lo que condujo a una IA de
emergencia que hizo más fácil y más preciso procesar o
procesar datos masivos (Figura 3) (Athey, 2018).
Las revoluciones anteriores han transformado el concepto de
Inteligencia Artificial en la hipótesis e integración de sistemas de
información capaces de realizar tareas que usualmente involucran
cerebros humanos, como percepción visual, identificación del habla,
toma de decisiones así como traducción de idiomas (Baydin et al.,
2017). Alan Turing notó que muchas personas podían analizar
información, resolver problemas complicados y tomar decisiones
acertadas cuando las computadoras no podían hacerlo. Centrado en
esto, Turing (1950) ideó una prueba operativa presentada en su
revista, "Computing Machinery and Intelligence". Actualmente, la
evaluación se utiliza a menudo como punto de referencia para
evaluar la capacidad de la computadora para funcionar como un ser
normal. La prueba de Turing sentó las bases para el aprendizaje
automático, la computación evolutiva y la programación genética.
Este documento se concentra en la aplicación de la IA en los
sectores financieros. Como resultado de la financiación masiva
de Japón, el Reino Unido y los Estados Unidos, las primeras
soluciones de inteligencia artificial se infiltraron en el sector
financiero en 1982, cuando James Simons creó la empresa de
inversión cuantificable Renaissance Technologies.
Posteriormente, fueron reconocidos por sus enfoques
innovadores para el análisis financiero de aprendizaje profundo.
En la década de 1990, AI participó en la detección financiera
fraudulenta (Mullainathan & Spiess, 2017). La Red de Ejecución
de Delitos Financieros (FINCEN) lanzó un
Revisión de negocios asiáticos ●Volumen 9 ●Número 3/2019
Artículo de investigación
técnica de monitoreo de delitos financieros llamada Sistema
de Inteligencia Artificial FinCEN (FIAS) en 1993. Los
resultados fueron sobresalientes y la máquina pudo evaluar
Figura 3: Emergencia de la IA por otras revoluciones
ARTIFICIAL INTELIGENCIA EN CCOLGANDO FINANCIERO
SERVICIOS
El sector financiero es uno de los principales contribuyentes a la
tecnología de IA y su uso está creciendo rápidamente. Los fondos de
cobertura y las firmas financieras de alta frecuencia (HFT) se han
convertido en los primeros suscriptores de AI, pero muchas de las
implementaciones han ingresado desde entonces a otras partes del
sector financiero, incluidos bancos, instituciones de seguros,
formuladores de políticas y varias plataformas FinTech. Hay una
serie de aplicaciones de IA diversas en este tipo de empresas, y la
población está aumentando considerablemente. Muchos de los
aspectos clave incluyen el comercio electrónico, la estructura y
optimización de la cartera, los servicios de consultoría robótica, los
servicios al cliente automatizados, la previsión empresarial y otras
formas de análisis intensivo de datos. El documento se centra
específicamente en algunos de esos usos particulares en los que la
IA está cambiando el sector financiero convencional existente.
Trading algorítmico
El comercio algorítmico (AT), también conocido como el sistema
automático de comercio, ha sido uno de los mayores participantes en los
mercados de capitales internacionales. AT se remonta a la década de
1970, cuando se implementaron sistemas financieros automatizados en
los mercados de capital estadounidenses (Begum et al., 2012). Cartea et al
(2015) describe la TA como la aplicación de reglas financieras a un
sistema tan avanzado, pero luego las usa con fines comerciales.
Actualmente, AT ha implementado un complejo algoritmo de inteligencia
artificial que es capaz de actuar increíblemente rápido y, por lo tanto, es
capaz de comerciar mucho más rápido que los humanos. HFT y las
máquinas representan el 50-70 por ciento de todas las transacciones en
los mercados financieros y el 60 por ciento de las transacciones de
futuros. La gente suele predecir que
Copyright © CC-BY-NC 2014, Consorcio Empresarial Asiático | ABR
ISSN 2304-2613 (impreso); ISSN 2305-8730 (en línea)
más de 200 000 actividades financieras por semana y, en
aproximadamente dos años, la plataforma identificó 400 intentos por $ 1
mil millones en fraude financiero.
esta cifra será aún mayor en los EE. UU. y ligeramente más baja,
casi el 40% en países en desarrollo como India. ⠀
Estos sistemas son importantes porque tienen la capacidad
de realizar transacciones al mejor precio posible. En su
presencia, una computadora a menudo tiene una
probabilidad significativamente menor de cometer errores
que un ser humano. Además, tienen el potencial de lidiar
con cargas de datos a la vez y rastrear múltiples mercados al
mismo tiempo. Por último, las intervenciones no tienen un
impacto en el comercio o es probable que minimicen las
decisiones indebidas (Kuroda, 2017). Preferiblemente, para
poder utilizar AT y HFT, es necesario tener las menores
diferencias de tiempo potenciales y un alto grado de
automatización y capacidad de consolidación dentro del
mercado de valores. El comercio HTF está formado por
empresas comerciales multinacionales distribuidas en varios
bonos del tesoro, como acciones, bonos corporativos, ETF y
futuros. Los fondos de cobertura,
En la actualidad, las plataformas AT y HFT son capaces de operar en
milisegundos. Por ejemplo, los gráficos a continuación ilustran las
fluctuaciones de los precios tick por tick de los derivados (ES) de E-mini
S&P 500 y los ETF de SPDR S&P 500 en intervalos de tiempo separados. Al
hacer zoom en las cifras, se identifica una gran brecha de precios entre
las dos acciones. Parecen completamente relacionados a primera vista.
Cuanto más se amplía uno en los diagramas, mayor es la diferencia de
precio de los valores. Solo en este escenario, lo que parece estar
idealmente vinculado termina siendo lucrativo desde el punto de vista de
la robótica AT extremadamente rápida (Treleaven & Batrinca, 2017).
Dichos diferenciales pueden parecer escasos, pero las plataformas de
negociación algorítmica son capaces de producir grandes cantidades de
empresas tan pequeñas a diario, con la posibilidad de obtener ganancias
masivas.
Página
Donepudi: automatización y aprendizaje automático en la transformación de la industria financiera (129-138)

Figura 4: Gráfico que demuestra el comercio algorítmico en distintas frecuencias de tiempo

Detección de fraude y cumplimiento todos los usuarios que utilizan su teléfono inteligente (Donepudi, 2018b).
Se pueden utilizar préstamos de diferentes bancos y el motor de
El dinero asociado con el cumplimiento en la mayoría de la industria
inteligencia artificial puede evaluar los ingresos y gastos de los clientes
financiera es relativamente alto para evitar sanciones relacionadas.
para predecir cuánto deberían invertir y ahorrar. Esto tiene la ventaja de
Por esta razón, los bancos ahora están introduciendo tecnología de
la accesibilidad o reestructuración de los instrumentos financieros
inteligencia artificial para hacer que estas transacciones sean más
regulatorios, la rentabilidad en la que se requieren asignaciones de
eficientes y confiables. Además, McAfee informa que los delitos
activos diversificadas y de bajo precio y sesgos de comportamiento. Como
cibernéticos actualmente le cuestan al sector financiero alrededor de
resultado, las aplicaciones de asesoramiento robótico ahorrarían hasta
$ 600 mil millones al año, aunque el fraude de identidad ha sido el
un 4,4% de los costes anuales en comparación con el asesoramiento
más frecuente. Varias firmas financieras están implementando IA
financiero convencional.
para detectar fraudes. Cada uno de ellos es una MasterCard (Ahmed
& Siddique, 2013). Su programa de inteligencia artificial, llamado La seguridad cibernética

"Decision Intelligence", utiliza los datos disponibles para reconocer

La seguridad cibernética y la protección de datos son
las tendencias en el uso anterior de MasterCard con el fin de crear
importantes porque reducen el riesgo de perder datos
una "transacción predeterminada", y luego MasterCard contrasta y
valiosos y confidenciales, por lo que se necesita inteligencia
puntúa las transacciones de los nuevos clientes frente a sus
artificial para abordar esta vulnerabilidad. La IA tiene un
transacciones genéricas. Otro obstáculo para la identificación y
alcance infinito en muchas industrias y mercados. De
ejecución del fraude es minimizar las transacciones con demasiada
manera similar, la aplicación de un esquema de seguridad
fuerza (Wilson & Daugherty, 2018). El estudio de estrategia de Javelin
de red más estricto con la ayuda de IA también podría
(2015) indicó que las transacciones rechazadas incorrectamente
ayudar a las empresas a protegerse de los ataques
constituyen un desafío importante para los servicios financieros.
cibernéticos e identificar virus más nuevos (Horowitzet al.,
2018). Además, estos modelos pueden promover prácticas
Chatbots y servicios de asesoramiento robótico de seguridad adecuadas y evitar errores, lo que los convierte
en algo más fácil de implementar en una variedad de casos.
Un Chatbot es capaz de responder a los clientes al instante y parece
Sin embargo, también es importante estar al tanto de que
ser capaz de brindar soporte las 24 horas del día, los 7 días de la
los chips de AI Technologies podrían tener códigos
semana, y el 64% de las personas se muestran optimistas acerca de
maliciosos y adware configurados por una variedad de
hablar con un Chatbot porque son más seguros y más eficientes que
motivos de preocupación política (Donepudi, 2015). Como
hablar con un chatbot. persona. Dichos marcos de chatbot son
resultado, el despliegue de IA ha hecho posible el uso de
capaces de administrar la cantidad de usuarios con un alto nivel de
diferentes formas de autenticación biométrica para un
soporte al usuario a un bajo costo. El Chatbot se centra en
acceso aún más seguro (Donepudi, 2018a). Algunas de estas
algoritmos de PNL y ML diseñados para proporcionar un marco de
aplicaciones de IA incluyen escáneres de huellas dactilares,
conversación personalizado (Luet al., 2018). El asesoramiento
sensores e imágenes de la palma de la mano y detección
robótico son algoritmos diseñados para identificar el mejor paquete
facial. Sin siquiera implementar estas operaciones en
para un cliente en función de las preferencias y el objetivo de riesgo
comparación con la contraseña original, el obstáculo de los
del cliente. Actualmente, los beneficios de usar Chatbots lo han
ciberdelincuentes ha aumentado considerablemente.
convertido en una práctica de la industria para instituciones
financieras con una amplia base de clientes, como los bancos Contabilidad y Auditoría
(Rouhiainen, 2018). Hoy en día, la aplicación de asesoramiento
La contabilidad y la auditoría están experimentando un cambio radical debido a
robótico, Clerkie, combinación de un chatbot con una aplicación de
los avances en la minería de datos y la inteligencia artificial. Reflexionando de
asesoramiento robótico que gestiona las finanzas de
cerca sobre el estudio Deep Shift 2015 de la World Economic

Página 134 Revisión de negocios asiáticos ●Volumen 9 ●Número 3/2019

Artículo de investigación
Forum, 816 ejecutivos senior de TI y comunicaciones participaron en
la encuesta Technology Tipping Points and Social Effects. Anunciaron
que el 75 por ciento de los participantes aceptaron que para 2025 se
alcanzaría un punto de inflexión del 30 por ciento para las auditorías
comerciales de IA (Abedinet al., 2012). Uno de los mejores aspectos
de la IA es que
Figura 5: Distribución ocupacional computarizada en los EE. UU.
La auditoría se adapta particularmente bien a las implementaciones
de inteligencia artificial y empresarial, ya que se ha vuelto muy difícil
incorporar grandes cantidades de datos organizados y no
estructurados para comprender los resultados financieros y no
financieros de las empresas. Además, como muchas de las
actividades de auditoría están organizadas y son redundantes, la
asociación con AI simplificará estas operaciones. En casos más
básicos, la inteligencia artificial podría usarse para codificar
sistemáticamente las entradas de la cuenta y para construir y
mejorar los mecanismos de detección de fraude mediante el
desarrollo de un código ML avanzado (Shabbir y Anwer, 2018). En lo
que respecta al mercado de auditoría, las tecnologías de inteligencia
artificial más sofisticadas, como DL, se pueden utilizar para analizar
múltiples fuentes de datos con el fin de compilar informes o predecir
pronósticos precisos. La variedad de datos DL que se pueden
escanear es muy amplia y puede cubrir todo, desde mensajes de
redes sociales, archivos de audio, conferencias telefónicas y correos
electrónicos. Al introducir la inteligencia artificial en la contabilidad y
la auditoría, las transacciones se pueden verificar más de cerca al
permitir que se inspeccione un mayor volumen de datos.
Otras aplicaciones de IA
Los planes de la empresa son muy relevantes para las finanzas.
La automatización de los planes de la empresa permite una
evaluación más profunda de los términos y valoraciones del
contrato. Además, del acuerdo comercial propuesto se puede
obtener una impresión rápida del desempeño pasado, el precio
de los activos, la exposición al riesgo y la productividad
proyectada de los contratistas. Esto facilita que las empresas y
los clientes sean mucho más efectivos en un proceso que a
menudo requiere mucho tiempo y es complicado. La reducción
de costos adicionales en esta región podría hacer que todo el
plan de negocios sea más productivo de lo esperado.
Copyright © CC-BY-NC 2014, Consorcio Empresarial Asiático | ABR
ISSN 2304-2613 (impreso); ISSN 2305-8730 (en línea)
excepcional para coincidir con las tendencias, haciendo que la
tecnología sea accesible para una amplia gama de industrias y
grandes empresas (Kokina & Davenport, 2017). Específicamente,
el estudio Deep Shift señala que pronto más trabajadores serían
reemplazados por algoritmos informáticos y robótica.
AI ADOPCIÓN EN FINANCIERO SECTOR & PAGOLICY
IMPLICACIONES
Los pioneros y desarrolladores se enfrentan actualmente a una serie de
desafíos en la implementación de la IA. Los desarrolladores de
aplicaciones están luchando por adquirir una IA que se sabe que
contribuye y reconoce los casos de uso. Los problemas de los líderes han
pasado de "si" a "cómo". “Los pioneros están trabajando para resolver los
desafíos de atraer talento y resolver la oposición social a la IA. Las
instituciones financieras llevan a cabo una amplia gama de operaciones,
que van desde la recopilación de información básica hasta la toma de
decisiones informadas o asesorar a los responsables de la formulación de
políticas. En la actualidad, los protocolos de estructura financiera están
diseñados a propósito para aprovechar la capacidad mental colectiva y la
comprensión de varios individuos. Se debe alentar a los ejecutivos a
reorganizar sus procesos para tener una capacidad de inteligencia
artificial completa.
Se necesitan una planificación y una política adecuadas para
construir y mantener un entorno dinámico para que la IA respalde la
economía de manera más amplia. La implementación de tecnología
digital es una medida crucial para garantizar que las empresas
puedan competir con éxito en diferentes industrias y ubicaciones. La
IA es el conjunto principal de enfoques que se utilizará para un caso
de negocio específico. Los líderes de la empresa deben ser
conscientes de que la concentración de la fuerza de trabajo está
aumentando, no reemplazándola. Además, la provisión de
conocimiento y cultura analítica es más importante que la capacidad
de IA. Si no se logran los hallazgos y las implicaciones, no se puede
lograr ni el mecanismo predictivo ni el descriptivo. ML requiere que
se beneficie de los mecanismos de los conjuntos de datos
disponibles. Parece haber una serie de excepciones a nivel del
personal para ayudar a todos
Página
Donepudi: automatización y aprendizaje automático en la transformación de la industria financiera
los implicados. El marco del proyecto de IA permitirá la toma de
decisiones por parte de los ejecutivos. Las startups de estilo de vida
internas pueden permitir a los usuarios desarrollar sus propias
estrategias para un desafío complejo.
Finalmente, las instituciones financieras deben actualizar su modelo
operativo de TI para planificar el nuevo estándar. Las empresas
deben desarrollar sus habilidades tecnológicas, sus políticas y ser
más inteligentes sobre las necesidades de sus clientes. La
organización debe centrarse en la seguridad cibernética antes de
que parezca urgente. Es importante que las empresas se aseguren
de tener los derechos exclusivos sobre los talentos y las habilidades
necesarias para desempeñarse y ganar.
CONCLUSIÓN
El principal objetivo de este trabajo fue analizar el impacto de la IA en la sociedad digital,
particularmente en el sector financiero. También trató de describir la implementación de la IA, sus
limitaciones, sus perspectivas y su impacto en el empleo y los servicios. Para este estudio se utilizó un
documento de revisión cualitativa del proceso para recopilar información sobre la implementación e
impacto de la IA, así como una propuesta para la adopción de la IA por parte del sector bancario. Cabe
señalar que el sector financiero puede estar muy interesado en diseñar y adoptar IA para lograr
velocidad, precisión y rendimiento. La IA hace una contribución significativa para cambiar y cambiar la
cultura del trabajo y la eficiencia, y existe un enorme potencial. La nueva oleada de aplicaciones
basadas en IA apunta a ser la transición tecnológica más grande e influyente del pasado. Su existencia
de propósito general, que facilita el uso de estas nuevas tecnologías en diferentes sectores y
ocupaciones, independientemente del tipo de profesionalismo de los empleados en el lugar de trabajo,
es una fuente de temor colectivo generalizado a la pérdida de puestos de trabajo y la pérdida de poder
sobre la vida de las personas. Todas las empresas pueden utilizar la tecnología de inteligencia artificial
con fines financieros y contables. Es importante que las empresas y la sociedad en su conjunto
aprendan a utilizar y mejorar las nuevas tecnologías. Para seguir siendo competitivas, las empresas
deberán incorporar la IA y los trabajadores deberán adaptar sus habilidades para conservar el empleo.
es una fuente de miedo colectivo generalizado a la pérdida de puestos de trabajo y la pérdida de poder
sobre la vida de las personas. Todas las empresas pueden utilizar la tecnología de inteligencia artificial
con fines financieros y contables. Es importante que las empresas y la sociedad en su conjunto
aprendan a utilizar y mejorar las nuevas tecnologías. Para seguir siendo competitivas, las empresas
deberán incorporar la IA y los trabajadores deberán adaptar sus habilidades para conservar el empleo.
es una fuente de miedo colectivo generalizado a la pérdida de puestos de trabajo y la pérdida de poder
sobre la vida de las personas. Todas las empresas pueden utilizar la tecnología de inteligencia artificial
con fines financieros y contables. Es importante que las empresas y la sociedad en su conjunto
aprendan a utilizar y mejorar las nuevas tecnologías. Para seguir siendo competitivas, las empresas
deberán incorporar la IA y los trabajadores deberán adaptar sus habilidades para conservar el empleo.
REFERENCIAS
Abedin, MM, Ahmed, AAA y Neogy, T.
K. (2012). Mecanismo de rendición de cuentas y auditoría:
escenarios del sector público de Bangladesh. Revista de estudios
empresariales, 4, 131-148.
Ahmed, AAA y Siddique, MN-E.-A. (2013). Internet
Esposo bancario en Bangladesh: un estudio de sondeo.
Ingeniería Internacional, 1(2), 93-100.https://doi.org/
10.18034/ei.v1i2.211
Athey, S. (2018). El impacto del aprendizaje automático en la economía
La economía de la inteligencia artificial: una agenda (
507-547): University of Chicago Press.https://
scholar.google.com/scholar?hl=en&as_sdt=0%2C5 & as_ylo
= 2010 & as_yhi = 2022 & q = El + impacto + de + máquina +
Página 136
(129-138)
Aprendiendo + sobre + economía + La + economía + de + inteligencia +
artificial% 3A + An + agenda & btnG=
Baydin, AG, Pearlmutter, BA, Radul, AA y Siskind, JM
(2017). Diferenciación automática en el aprendizaje automático: una
encuesta.The Journal of Machine Learning Research, 18(1), 5595-
5637. https://dl.acm.org/doi/abs/10.5555/3122009.3242010
Begum, R., Ahmed, AAA y Neogy. TK (2012).Gestión
Decisiones y análisis univariante: efectos sobre el gobierno corporativo
en Bangladesh. Revista de estudios empresariales, 3, 87-115.
Cartea, A., S. Jaimungal y J. Penalva (2015). Algorítmica y
Negociación de alta frecuencia (1ª ed.). Cambridge: Cambridge
University Press.
Chui, M., Manyika, J. y Miremadi, M. (2015). Cuatro
fundamentos de la automatización del lugar de trabajo.McKinsey
Trimestral, 29(3), 1-9. https://roubler.com/sg/wpcontent/
uploads/sites/49/2016/11/Four-fundamentalsof-workplace-
automation.pdf
Chui, M., Manyika, J. y Miremadi, M. (2016). Donde las maquinas
podría reemplazar a los humanos, y donde no pueden
(todavía).McKinsey Quarterly, 30 años(2), 1-9.http://
pinguet.free.fr/wheremachines.pdf
De Prado, ML (2018). Avances en el aprendizaje automático financiero: John
Wiley & Sons.
https://books.google.com/books?hl=es&lr=&id=oU9KD
wAAQBAJ & oi = fnd & pg = PR21 & dq = Avances + en + finanzas
+ aprendizaje + automático: + John + Wiley +% 26 + Sons & ots =
7UDHV _Axey & sig = 1oymGgObxzI6ZUrk3XYPY1EVXD8
Donepudi, PK (2015). Punto de cruce de la inteligencia artificial
en Ciberseguridad. Revista estadounidense de comercio y política, 2
(3), 121-128. https://doi.org/10.18034/ajtp.v2i3.493
Donepudi, PK (2018a). Inteligencia artificial y aprendizaje automático en el comercio minorista
Farmacia: revisión sistemática de literatura relacionada.
ABC Journal of Advanced Research, 7(2), 109-112.https://
doi.org/10.18034/abcjar.v7i2.514
Donepudi, PK (2018b). Aplicación de la Inteligencia Artificial en
Industria de la automatización. Revista asiática de ciencias
aplicadas e ingeniería, 7(1), 7-20.http://doi.org/10.5281/
zenodo.4146232
Gomber, P., Kauffman, RJ, Parker, C. y Weber, BW (2018).
Sobre la revolución fintech: interpretar las fuerzas de la
innovación, la disrupción y la transformación en los servicios
financieros. Revista de sistemas de información de gestión, 35
(1), 220-265. https://doi.org/10.1080/07421222.2018.1440766
Horowitz, MC, Allen, GC, Saravalle, E., Cho, A., Frederick,
K. y Scharre, P. (2018). Inteligencia artificial y seguridad
internacional: Centro para una nueva seguridad estadounidense.
http://www.indexfunds.org/resources/Research-Materials/
NatSec/Strategic_Competition_in_Era_of_AI.pdf
Kokina, J. y Davenport, TH (2017). El surgimiento de
inteligencia artificial: cómo la automatización está cambiando la
auditoría.Revista de tecnologías emergentes en contabilidad, 14(1),
115-122.https://meridian.allenpress.com/jeta/articleabstract/
14/1/115/116001
Kuroda, H. (2017). AI y las fronteras de las finanzas. Trabajo presentado en
el Discurso pronunciado por el Gobernador del Banco de Japón en la
Conferencia sobre “Inteligencia Artificial y Servicios Financieros /
Mercados Financieros.https://pdfs.semanticscholar.org/
cc08/475f1efd0e74701e0 18362fba8cd302e8511.pdf
Revisión de negocios asiáticos ●Volumen 9 ●Número 3/2019
Artículo de investigación
Lu, H., Li, Y., Chen, M., Kim, H. y Serikawa, S. (2018). Cerebro
inteligencia: vaya más allá de la inteligencia artificial.
Aplicaciones y redes móviles, 23(2), 368-375.
https://link.springer.com/article/10.1007/s11036-017-0932-8
Mackenzie, A. (2015). La producción de predicción: ¿qué
¿Quieres aprendizaje automático? Revista europea de
estudios culturales, 18(4-5), 429-445.
https://doi.org/10.1177%2F1367549415577384
Mullainathan, S. y Spiess, J. (2017). Aprendizaje automático: un
enfoque econométrico aplicado. Revista de perspectivas
económicas, 31(2), 87-106.https://www.aeaweb.org/articles?
id=10.1257/jep.31.2.87
Rouhiainen, L. (2018). Inteligencia artificial: 101 cosas que debes
conoce hoy sobre nuestro futuro: Lasse Rouhiainen.https://
books.google.com/books?hl=en&lr=&id=P3fSDw AAQBAJ & oi =
fnd & pg = PP1 & dq = Inteligencia + artificial: +10 1 + cosas +
que + debes + saber + hoy + sobre + nuestro + futuro & ots =
TZYjzBx0tq & sig = Fzfr8YbzD5m8g0s9Rmx2jwy4ZuU
Shabbir, J. y Anwer, T. (2018). La inteligencia artificial y su
papel en un futuro próximo. preimpresión de arXiv arXiv:
1804.01396.https://arxiv.org/abs/1804.01396
Copyright © CC-BY-NC 2014, Consorcio Empresarial Asiático | ABR
ISSN 2304-2613 (impreso); ISSN 2305-8730 (en línea)
Sharma, R., Mithas, S. y Kankanhalli, A. (2014). Transformando
procesos de toma de decisiones: una agenda de investigación
para comprender el impacto de la analítica empresarial en
organizaciones: Taylor Y Francis.
https://orsociety.tandfonline.com/doi/abs/10.1057/ejis.2
014.17
Treleaven, P. y Batrinca, B. (2017). Regulación algorítmica:
Automatizar el monitoreo y la regulación del cumplimiento
financiero mediante IA y blockchain. Revista de
transformación financiera, 45, 14-21.
https://files.openpdfs.org/jE1d4GBZ5Ob.pdf#page=14
Turing, AM, (1950). Maquinaria de Computación y
Inteligencia, Mente59: 433–460; reimpreso en (Copeland,
2004)
Wilson, HJ y Daugherty, PR (2018). Colaborativo
inteligencia: los seres humanos y la IA están uniendo
fuerzas. Harvard Business Review, 96(4), 114-123.
https://www.accenture.com/t00010101t000000z__w__/_acnm
edia / pdf-84 / accenture-colaborative-intelligence-2018.pdf
- - 0--
Página 137
Donepudi: automatización y aprendizaje automático en la transformación de la industria financiera (129-138)

¿Cómo citar este artículo?

Donepudi, PK (2019). Automatización y aprendizaje automático en la transformación de la industria financiera.Revisión de negocios

asiáticos, 9(3), 129-138. https://doi.org/10.18034/abr.v9i3.494

Archivo en línea: https://abc.us.org/ojs/index.php/abr/issue/archive

Página 138 Revisión de negocios asiáticos ●Volumen 9 ●Número 3/2019