Descripció del projecte
La IA clàssica es va introduir en el sector financer fa dècades. Al llarg dels anys, la part de caixa negra dels algorismes d’aprenentatge supervisat no ha trobat massa penetració en el negoci central del sector financer perquè l’explicabilitat de les prediccions i recomanacions és fonamental per a un suport de decisió eficaç en aquest camp d’aplicació específic.
Recentment, el mercat ha iniciat una carrera per entrenar models d’IA generatius adaptats al sector financer, amb iniciatives privades i de codi obert, la majoria d’elles en les infraestructures cloud. Atès que les finances són una indústria altament regulada, és molt desitjable mantenir les dades dins de l’empresa, la qual cosa ha portat a un interès creixent en el codi obert (opensource) per formar models a escala local, i aquest interès ha augmentat a mesura que s’ha optimitzat i reduït la quantitat de dades necessàries per entrenar el model.
Actualment, els principals reptes d’aquest camp d’aplicació es relacionen amb:
* la necessitat de desenvolupar models d’explicabilitat de so per als algorismes d’IA no explicables que proporcionin resultats precisos en el camp de la IA.
* la necessitat d’explorar les possibilitats dels models recents d’IA, com la IA generativa, per a la millora dels processos de segmentació en l’àmbit fintech.
* la necessitat de construir models híbrids d’IA combinant els models purament basats en dades proposats per l’aprenentatge automàtic juntament amb components formals de coneixement aprofitant el saber fer acumulat a les organitzacions per millorar la qualitat dels models basats en dades reduint de manera assenyada la dimensionalitat de l’espai de cerca i, com a conseqüència, reduint la classe de complexitat dels algorismes i augmentant l’escalabilitat.
* la necessitat de passar de la personalització tradicional basada en la segmentació clàssica (sovint basada en algorismes de clustering i prototipatge) a la hiperpersonalització on es construeixen recomanacions per a cada individu concret.
En aquesta tesi, proposem un enfocament híbrid per combinar els algorismes tradicionals d’aprenentatge automàtic establerts i provats, com el clustering, amb una formalització del saber fer dels experts, de manera que la IA híbrida pugui anar més enllà dels mètodes basats en dades pures i proporcionar un cost computacional baix i sostenible, permetent la possibilitat d’una hiperpersonalització escalable. L’argumentació de la personalització proposada és crítica i també serà un eix vertebrador d’aquesta recerca.
Aquest doctorat busca desenvolupar un enfocament holístic per abordar dades financeres complexes donant els coneixements d’una manera personalitzada i adaptada a l’usuari de PFM.
En aquest doctorat també tindrem en compte els límits ètics de l’ús de la informació personal.
Això contribuirà al desenvolupament de models predictius avançats i sistemes de suport a la decisió que, en última instància, ajudaran els professionals financers a prendre decisions millor informades.
