Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4 | Gemini Adv | Llama 3:

Resumen:

1.-La Dra. Manuela Veloso es jefa del Grupo de Investigación en IA de JPMorgan y Profesora Herbert A. Simon en la Universidad Carnegie Mellon.

2.-La IA tiene como objetivo capturar todos los aspectos de la inteligencia dentro de un algoritmo, incluyendo percepción, cognición y acción.

3.-La investigación de la Dra. Veloso se centra en integrar percepción, cognición y acción, como en los robots autónomos que desarrolló en CMU.

4.-La IA en finanzas es emocionante debido a la variedad de áreas de negocio y la enorme cantidad de datos producidos.

5.-JPMorgan tiene equipos de investigación en IA y de IA aplicada trabajando en todas las unidades de negocio para llevar la transformación de IA a la empresa.

6.-Los objetivos de investigación en IA en JPMorgan incluyen predecir sistemas económicos, liberar datos de manera segura, erradicar el crimen financiero y establecer una IA ética.

7.-Las decisiones de trading financiero son guiadas por gráficos visuales de datos de series temporales sobre el valor de los activos que cambian con el tiempo.

8.-Clasificar series temporales como imágenes de señales de compra/no-compra usando redes neuronales supera el uso de los datos numéricos en bruto.

9.-Las redes neuronales pueden predecir porciones futuras de una serie temporal representándola como una imagen y entrenando un autoencoder.

10.-Los mercados over-the-counter con múltiples agentes interactuando pueden ser simulados usando aprendizaje por refuerzo multiagente.

11.-Las estrategias de los agentes creadores de mercado son representadas por parámetros como aversión al riesgo y conectividad con inversores, que se aprenden a través de la simulación.

12.-Calibrar los parámetros de simulación para que coincidan con los datos reales del mercado se plantea como un problema de aprendizaje por refuerzo.

13.-La IA en finanzas abarca muchas áreas como el descubrimiento de información, la experiencia del cliente, la prevención del crimen financiero, el cumplimiento de regulaciones y la ética.

14.-Estandarizar la representación de datos financieros heterogéneos permite una aplicación más sencilla de técnicas de aprendizaje automático.

15.-El procesamiento de lenguaje natural extrae información como unidades y escalas de títulos y encabezados para convertir los datos a una representación estándar.

16.-La IA en finanzas hace un uso intensivo del aprendizaje y el razonamiento a partir de datos representados en diversas formas.

17.-El sistema DocuBot genera automáticamente informes, diapositivas y gráficos a partir de datos mediante aprendizaje interactivo de instrucciones y retroalimentación de los usuarios.

18.-DocuBot aprende continuamente y mejora su comprensión del lenguaje y sus habilidades de generación de documentos a través de la interacción, sin depender de grandes conjuntos de datos de entrenamiento.

19.-Aplicar la clasificación basada en imágenes a series temporales como los precios de criptomonedas sigue los mismos principios que para otros activos financieros.

20.-El código para la clasificación de imágenes de series temporales está planeado para ser de código abierto después de más refinamiento y parametrización.

21.-El análisis técnico y el gráfico son comúnmente utilizados por los traders humanos para razonar visualmente sobre datos de series temporales financieras.

22.-Representar series temporales como imágenes para IA es una contribución novedosa que destaca la importancia del aprendizaje de representación en IA.

23.-Los datos multimodales como el video pueden capturar correlaciones dinámicas entre múltiples series temporales en una representación visual.

24.-Los agentes en dominios complejos pueden ser representados por tipos parametrizados, con el aprendizaje de comportamiento ocurriendo en el espacio de parámetros.

25.-La IA permite traducir automáticamente entre diferentes representaciones de datos, como de tablas a visualizaciones y conocimientos en lenguaje natural.

26.-Las representaciones de imágenes y numéricas tienen diferentes fortalezas y sesgos, pero pueden lograr un rendimiento predictivo similar con técnicas adecuadas.

27.-Capturar datos temporales como imágenes o trayectorias puede simplificar el aprendizaje en comparación con modelos de secuencia como LSTMs en algunos casos.

28.-Los sistemas de IA de extremo a extremo son atractivos pero se hacen más viables al descomponer el problema y reutilizar componentes modulares.

29.-Docubot ejemplifica la reutilización de componentes aplicando el motor principal para generar diferentes tipos de documentos con plantillas específicas de dominio.

30.-El tema general es el poder del aprendizaje de representación para extraer y traducir conocimiento entre modalidades en sistemas de IA.

Bóveda del Conocimiento construida por David Vivancos 2024