A continuación presentamos nuestros servicios, liderados por Adrián Hernández, para crear valor utilizando la investigación en inteligencia artificial y deep learning.
Formación avanzada en deep learning y modelos generativos
Este servicio consiste en una formación avanzada que permite, partiendo de 0, tener tanto un conocimiento teórico como práctico de las principales técnicas de deep learning y modelos generativos.
En una primera parte se presenta una base teórica de estadística y matemáticas.
La segunda parte consiste en el dominio de una librería de deep learning basándonos en nuestro curso de deep learning con PyTorch y en presentar la base de los principales modelos generativos como GPT-X, ChatGPT y Stable Diffusion.
En la tercera parte se estudian los campos específicos de aplicación como uso e integración de modelos como ChatGPT, procesamiento de lenguaje y visión artificial.
Esta formación se imparte teniendo en cuenta el sector, negocio, procesos y capital humano de la empresa o institución.
Mejora de la cadena de valor usando deep learning y modelos generativos como ChatGPT
Este servicio realiza un análisis de la cadena de valor de la empresa o institución para identificar los procesos donde los grandes modelos generativos (GPT-X, ChatGPT, Stable Diffusion) pueden aportar valor.
Siguiendo nuestra metodología de identificar el valor e impacto del deep learning, partimos de las diferentes formas de aportar valor con los modelos generativos: Usar modelos externos ya entrenados, re-entrenar modelos externos con datos propios o desarrollar modelos con datos propios.
Después se analizan los procesos de negocio de la empresa y se identifican las actividades donde un modelo generativo o de deep learning pueden realizar una tarea que mejore el proceso.
Dependiendo de la cadena de valor de la empresa, se puede lograr una disrupción y una ventaja competitiva solo integrando un modelo externo como ChatGPT o puede ser necesario desarrollar un modelo usando los propios datos.
Una vez identificadas las tareas a desarrollar usando los modelos se define y ejecuta el plan de desarrollo e implantación: fuentes de datos, flujo de datos, algoritmos a utilizar, entrenamiento, prubas y paso a producción.
Posteriormente se evalúa periódicamente la actividad automatizada para detectar mejoras en cada uno de los componentes.
Deep learning para predicción de precios de activos
En varios posts hemos tratado el uso de machine learning en inversión. Vimos como la disponibilidad de nuevas fuentes de datos y las nuevas técnicas para analizarlos y aprender de ellos pueden aportar ventajas competitivas a los inversores. Siempre hay que tener en cuenta que el objetivo es encontrar una estructura que nos ayude a hacer predicciones, e.g. variables de entrada que determinan el precio de un activo.
Nuestra propuesta de valor la describimos en dos dimensiones:
- Accesibilidad y conocimiento de la información por el resto de los participantes.
- Relevancia de la información con la función objetivo, que usando teoría de la información denominaremos información mutua.
El mix de información no descontada y relevante junto con los algoritmos adecuados para predecir el precio de los activos son las claves del éxito.
De esta forma, primero identificamos todas las fuentes de datos que no estén descontadas y supongan una ventaja competitiva en la predicción del precio del activo: información no estructura, información desagregada, grafos estáticos y dinámicos, etc.
Posteriormente definimos los algoritmos de deep learning que vamos a usar para realizar las predicciones y realizamos las pruebas.
Por ejemplo, usamos GNNs (graph neural networks) para analizar información estructurada en forma de grafo de una empresa y predecir el comportamiento de sus acciones.
