El aprendizaje automático

El aprendizaje automático ha transformado el reconocimiento de imágenes y la traducción. En finanzas, sus éxitos son más desiguales de lo que se cree.

Hay cuatro terrenos. Prever los precios, ejecutar las órdenes, detectar los fraudes, y decidir en lugar de una persona.

Primer terreno, la previsión de precios. Es el sueño. Y es el terreno más decepcionante.

Una foto de un gato sigue siendo una foto de un gato. Un mercado, en cambio, cambia en cuanto se encuentra su regla, porque otros la explotan enseguida.

La señal es débil, la historia es corta, y el pasado no se repite. Un modelo potente aprende allí sobre todo el ruido.

Segundo terreno, la ejecución de órdenes. Menos brillante, pero mucho más rentable.

Comprar un millón de acciones de golpe hace subir el precio en contra de uno. Hay que trocear la orden, al ritmo adecuado.

Para el ejemplo: en una orden de cien millones de euros, ahorrar una décima de punto de coste son cien mil euros.

Repetido cada día en miles de órdenes, es una fortuna. Y aquí, el modelo tiene millones de ejemplos para aprender.

En la app, este capítulo está animado y narrado, tarjeta a tarjeta. Empezar la prueba gratis.

Descárgalo en elApp Store

Tercer terreno, la detección de fraude. Donde de verdad funciona.

Cada pago con tarjeta se puntúa en una fracción de segundo. Lugar, importe, hora, costumbres: todo se compara.

Trampa clásica: pongamos un fraude por cada mil pagos. Un modelo que siempre dice «no hay fraude» acierta el noventa y nueve coma nueve por ciento de las veces.

Y no sirve para nada. Lo que cuenta es cuántos fraudes atrapa, y a cuántos clientes honrados bloquea.

Para el ejemplo: un millón de pagos, mil fraudes. El modelo atrapa novecientos, y se equivoca con el cero coma cinco por ciento de los pagos honrados.

Eso son cuatro mil novecientas noventa y cinco falsas alarmas. Apenas una alarma de cada seis es un fraude de verdad.

Cuarto terreno, la caja negra. Un modelo rechaza un crédito. ¿Por qué? A menudo, ni sus creadores saben explicarlo con sencillez.

Y en muchos países, la ley exige poder explicar un rechazo de crédito. Y un regulador quiere entender una decisión antes de aceptarla.

Un modelo también puede reproducir los sesgos de sus datos. Si aprende de decisiones injustas, las repite, a gran velocidad.

Así que los bancos eligen: un modelo algo menos preciso, pero que se pueda explicar, antes que un oráculo mudo.

Recuerde: la máquina destaca donde los ejemplos son numerosos y las reglas estables. Decepciona donde el futuro no se parece al pasado.

Desconfíe, por tanto, de toda inteligencia artificial que prometa predecir la Bolsa. Es justo el terreno donde menos brilla.