La política industrial está cobrando impulso en muchos países, y algunos economistas señalan que el modelo de China es un éxito. En un mundo que enfrenta desafíos como las secuelas de COVID-19, el nacionalismo de las vacunas, la inestabilidad de la cadena de suministro global, las transiciones netas cero y la competencia geopolítica, existe un debate renovado sobre el papel de la política industrial y el apoyo gubernamental para las empresas e industrias consideradas estratégicamente importantes.
La gente se pregunta si podemos confiar en el libre mercado y existe la preocupación de que los países estén perdiendo su ventaja en innovación. Los halcones de la seguridad nacional también se preocupan por depender de los adversarios para obtener recursos críticos, como semiconductores y productos farmacéuticos.
En Estados Unidos, la política industrial ya no es un tema tabú. Existe apoyo bipartidista para la Ley de creación de incentivos útiles para producir semiconductores y ciencia (Ley CHIPS), cuyo objetivo es revitalizar la industria de semiconductores de EE. UU. Más del 90 por ciento de los chips avanzados, cruciales para la defensa y la inteligencia artificial (IA), provienen de la provincia china de Taiwán, lo que genera preocupación sobre la vulnerabilidad de la industria estadounidense en caso de un ataque. Para abordar tales riesgos, el gobierno de EE. UU. está asignando $39 mil millones en fondos de la Ley CHIPS de $280 mil millones para apoyar el desarrollo de la capacidad de fabricación avanzada de semiconductores. La política industrial de la administración Biden es de gran alcance y se planean al menos dos grupos de fabricación de semiconductores para 2030. Los beneficiarios de los fondos también enfrentan condiciones extensas, como una prohibición de 10 años de expandir la capacidad de chips avanzados en China y un compromiso con el cuidado infantil asequible. Estas políticas son parte del enfoque más amplio de la administración hacia la política industrial, que también incluye $370 mil millones en subsidios para energía limpia en la Ley de Reducción de la Inflación.
Etiqueta: IA – Inteligencia Artificial
Los rápidos y los muertos: construyendo resiliencia cibernética en el sector financiero
Como nos dimos cuenta hace algunos años, las amenazas cibernéticas están aquí para quedarse. Existen muchos actores de amenazas altamente adaptables que intentarán explotar sistemáticamente cualquier debilidad o vulnerabilidad con fines ilegales. Las amenazas existentes son cada vez más peligrosas y nuevas amenazas están en el horizonte. Por lo tanto, debemos adaptar nuestros marcos operativos y de ciber resiliencia constantemente a nivel individual y colectivo a través de una estricta regulación, aplicación y enjuiciamiento. La futura cooperación entre instituciones públicas y privadas también será crucial. El ECRB puede hacer una contribución decisiva a este esfuerzo en relación con el sistema financiero.
IA – Pasar del miedo a la confianza
La tecnología de IA se puede utilizar para cambiar el aspecto y la voz de un modelo para dirigirse a un consumidor de una manera personal, muy similar a la forma en que funcionan las falsificaciones profundas. Esto tenía un enorme potencial de ingresos.
Esta tecnología podría incluso haber tenido un uso político: vender la tecnología de video adaptativo a los partidos políticos que permitiría a los políticos hiper-apuntar a los votantes individuales, cambiando su tono y promesas en línea con la reacción de los votantes.
Herramientas Suptech para la supervisión prudencial y su uso durante la pandemia
Las herramientas de análisis de datos de Suptech están haciendo que la supervisión prudencial sea más eficiente y aportando nuevos conocimientos sobre riesgos, áreas de preocupación y otras cuestiones de supervisión. Estas herramientas utilizan una gama de datos, tanto cualitativos como cuantitativos, de diferentes fuentes. Las herramientas para el análisis de texto, el resumen de texto y la clasificación de la información permiten una extracción mucho más rápida de información útil de documentos voluminosos de lo que sería posible manualmente. Las herramientas para el análisis de sentimientos, la identificación de riesgos, el análisis de redes y la identificación de grupos de pares proporcionan información a partir de datos que pueden no haber sido detectados simplemente utilizando herramientas estadísticas o basadas en reglas tradicionales. Además, las herramientas que automatizan partes del proceso de inspección dan como resultado más eficiencias e información de supervisión más significativa.
UNEP Fintech y Desarrollo Sostenible: Evaluando las Implicaciones
Las finanzas son un sistema en constante cambio. En la actualidad, el sistema financiero se encuentra tanto en crisis como en transición. La crisis financiera y sus secuelas causaron enormes turbulencias y condujeron a un período prolongado de bajo crecimiento e inestabilidad en toda la economía política internacional. La transición del sistema financiero está en parte impulsada por esta agitación, a través de impulsores de políticas y regulaciones, y aumentó la influencia de las naciones emergentes en la configuración de las finanzas globales.
La transición está impulsada por desarrollos históricos más amplios, incluido el desarrollo sostenible y las innovaciones en tecnología financiera. El mundo está luchando para abordar la creciente desigualdad, los impactos del cambio climático y el deterioro generalizado de la riqueza natural que sostiene a las comunidades y sustenta la economía global. La agitación actual se debe en parte a respuestas políticas inadecuadas a estos desafíos. Este imperativo puede parecer distante del sistema financiero, pero nada más lejos de la realidad. Como la investigación del PNUMA ha explicado en ambas ediciones de su informe global, «El sistema financiero que necesitamos», la realización de los Objetivos de Desarrollo Sostenible (ODS) y los compromisos climáticos acordados en 2015 depende en parte de un restablecimiento del sistema financiero mundial para garantizar que el capital privado se redistribuya para financiar la transición a un sistema inclusivo, la economía verde.
El papel de Big Data, Machine Learning e IA en la evaluación de riesgos – una perspectiva regulatoria
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.
Un salto cuántico para los servicios financieros
La tecnología de la información cuántica (QIT) se refiere a los amplios campos de la computación cuántica y las comunicaciones cuánticas que están desarrollando tecnología informática basada en los principios de la mecánica cuántica (que explica las propiedades de la naturaleza a nivel atómico y subatómico) y la ciencia de la información cuántica. Las computadoras clásicas de hoy en día usan ‘bits’ para codificar información en los valores de 0 o 1, mientras que las computadoras cuánticas usan ‘qubits’ (bits cuánticos). Estos qubits se basan en habilidades excepcionales de partículas subatómicas para estar en dos (o más) estados al mismo tiempo, un fenómeno llamado superposición cuántica. En términos informáticos, pueden ser 0 y 1 al mismo tiempo, lo que permite una amplia gama de capacidades y potenciales de computación cuando se conectan con otros qubits a través del entrelazamiento cuántico.
Es importante destacar que las habilidades inherentes de QIT les permiten abordar problemas que actualmente son intratables utilizando la computación clásica. Evidenciado por el debate en curso entre Google e IBM sobre si se ha logrado la supremacía cuántica (definida como cuando un dispositivo cuántico resuelve un problema que ninguna computadora clásica puede resolver en un período de tiempo factible), demuestra la indiscutible del potencial de QIT. Sin embargo, es importante tener en cuenta que no hay consenso sobre cuándo se realizará este potencial, con predicciones que varían ampliamente de 3 a 10 años en el momento en que el uso de computadoras cuánticas se convertirá en algo común.
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.
Fortalecimiento de la gestión de datos
Una gestión sólida de los datos es un requisito fundamental para que las instituciones financieras cumplan con los requisitos reglamentarios en materia de seguridad, privacidad y confianza. Esta es, en muchos sentidos, la primera base para la gestión de datos. Los reguladores se centran cada vez más en estos temas, consagrados en legislación como GDPR y, en Australia, Consumer Data Rights (CDR).
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.