En este punto de nuestros programas de evaluación de riesgos, el poder del aprendizaje automático es claramente evidente. Hemos utilizado tanto el aprendizaje automático como las tecnologías de big data para extraer información procesable de nuestros conjuntos de datos masivos. Pero las computadoras aún no están realizando exámenes de cumplimiento por su cuenta. Ni siquiera cerca. Los algoritmos de aprendizaje automático pueden ayudar a nuestros examinadores al indicarles la dirección correcta en su identificación de posibles fraudes o mala conducta, pero los algoritmos de aprendizaje automático no pueden preparar una referencia a la aplicación. Y los algoritmos ciertamente no pueden presentar una acción de cumplimiento. La probabilidad de un posible fraude o mala conducta identificada en función de una predicación de aprendizaje automático no puede, y no debe, ser la única base de una acción de cumplimiento. Todavía se necesitan pruebas corroborativas en forma de testimonios de testigos o pruebas documentales, por ejemplo. En pocas palabras, la interacción humana es necesaria en todas las etapas de nuestros programas de evaluación de riesgos.
Etiqueta: Bigdata
Big data en los bancos centrales asiáticos
Este documento revisa el uso de big data en los bancos centrales asiáticos, aprovechando una encuesta realizada entre los miembros del Comité Irving Fisher. El análisis revela cuatro ideas principales. En primer lugar, los bancos centrales asiáticos definen el big data de una manera más abarcadora que incluye conjuntos de datos no estructurados, no tradicionales y estructurados. En segundo lugar, el interés en los macrodatos parece mayor en Asia, incluso a nivel de política superior; la atención se centra en particular en los proyectos desarrollados para procesar el lenguaje natural, realizar ejercicios de nowcasting/monitoreo y desarrollar aplicaciones para extraer información económica, así como soluciones suptech/regtech. En tercer lugar, los bancos centrales asiáticos informan que se ocupan de big data para respaldar una amplia gama de tareas. En cuarto lugar, el big data plantea nuevos desafíos, con una atención específica en la región a la seguridad cibernética y la estrategia de datos. Como resultado, existe una creciente necesidad de cooperación política internacional, especialmente entre las autoridades públicas de Asia, para facilitar el uso de los datos de pagos y promover soluciones tecnológicas innovadoras.
Acaso el Big Data nos ha hecho perezosos
No hay duda de que la mayoría, si no todos, de nosotros nos hemos beneficiado de nuestro nuevo entorno de información: los datos son mejores; hay más. Pero hay consecuencias de la proliferación de métodos analíticos habilitados por big data, algunos de los cuales pueden no ser obvios. Lo que espero hacer, en el transcurso de mi charla, es ilustrar cómo el auge del big data ha influido en la forma en que pensamos sobre nuestros programas de investigación y análisis en la División de Análisis Económico y de Riesgos de la SEC, también conocida como DERA. Creo que algo de lo que tengo que decir tiene fuertes paralelismos con lo que puede estar experimentando en su propia investigación académica y educación.
Los proveedores de software admiten nuevos formatos XBRL
La versión actual de la norma se finalizó en 2003 y desde entonces ha recibido una amplia aceptación y eventuales mandatos de numerosos países y agencias reguladoras, incluida la SEC de los Estados Unidos. La adopción del estándar se debe a las ventajas que incluyen permitir la automatización y el ahorro de costos, una mejor calidad de los datos reportados, un análisis mejorado y una mejor calidad de la información utilizada para la toma de decisiones.
A pesar de sus beneficios, la complejidad de XBRL presenta una curva de aprendizaje pronunciada para los contadores y otras partes interesadas que no están familiarizadas con XML, lo que genera errores y aumenta los costos de consultoría. Además, coincidiendo con la adopción de tecnologías de big data, XBRL se ha utilizado para representar conjuntos de datos en constante crecimiento, que pueden requerir muchos recursos.
XBRL International ha trabajado durante años para modernizar y simplificar el estándar en respuesta a esos desafíos, y el Open Information Model (OIM) es una solución emocionante e innovadora.
Análisis de datos predictivos.
Los avances en el análisis de datos predictivos podrían plantear algunos problemas en todo el sistema cuando aplicamos nuevos modelos e inteligencia artificial en nuestros mercados de capital. Esto podría conducir a una mayor concentración de fuentes de datos, agrupamiento e interconexión, y potencialmente aumentar el riesgo sistémico.
Big Data de ESG X: Resolviendo el doble resultado final
Los objetivos de ESG no consisten solo en invertir en empresas que promuevan los mejores resultados ambientales, sociales y de gobernanza. Más bien, mirar el universo de inversión desde la lente de un prisma ESG brinda a los inversores un marco aún más completo sobre cómo identificar las empresas que están mejor posicionadas para la rentabilidad futura a largo plazo y, por lo tanto, las oportunidades alfa para los inversores.
El prisma ESG destaca cuatro componentes clave para evaluar a las empresas: mitigación de riesgos, capital humano, sociedad y transición. Las empresas que están alineadas con estos objetivos ESG están dando prioridad a estas áreas, y los datos pueden ayudar a los inversores a predecir qué empresas lo están haciendo de manera más eficiente.