Esa próxima ola de innovación, ya sea la tokenización de fondos, las finanzas verdes, la IA, la cuántica o cualquier otra de las emocionantes innovaciones en nuestro horizonte, se encontrará con un regulador de servicios financieros listo para apoyar la adopción de estas innovaciones para respaldar el crecimiento de nuestra economía.
Hemos establecido funciones de análisis de mercado FinTech y RegTech, junto con un equipo de tecnología emergente que analiza el escaneo del horizonte, asegurándonos de tener un telescopio entrenado para lo que venga a continuación.
Esto se aplica a las nuevas tecnologías y a áreas prioritarias, como la inclusión financiera o el abuso de mercado, que afectan tanto a los consumidores como a los mercados que protegemos.
A nuestros colaboradores: Fintechs, instituciones, proveedores, empresas de tecnología, grupos de consumidores, académicos, miembros gubernamentales e innovadores, gracias por su continuo apoyo.
Nuestros servicios prosperan gracias a su participación. Gracias a todas las empresas que se han acogido al Sandbox Regulatorio, a los Itinerarios de Innovación o al Sandbox Digital. Trabajar con usted ha enriquecido enormemente nuestros servicios.
Su colaboración ha sido invaluable y, juntos, hemos navegado por aguas desconocidas durante los últimos 10 años para ayudar a crear un ecosistema financiero más innovador, inclusivo y competitivo en el Reino Unido.
Estamos orgullosos de lo que hemos logrado juntos, y esto es solo el comienzo. Seguimos comprometidos a trabajar junto a ustedes, listos y esperando para enfrentar los desafíos y aprovechar las oportunidades que traerá la próxima década.
Estamos entusiasmados de continuar este viaje mientras trazamos un rumbo para el futuro de la innovación en los servicios financieros.
Etiqueta: IA – Inteligencia Artificial
Comentarios de XBRL US sobre la RFI del Departamento de Comercio: IA y activos de datos gubernamentales abiertos
Los conjuntos de datos regulatorios publicados por las agencias estadounidenses en la actualidad varían ampliamente en la forma en que se proporcionan. Muchos se proporcionan como informes en documentos en papel como PDF o Word, algunos se publican en archivos CSV para su descarga, otros en formato XBRL estructurado. Es posible que una aplicación de IA necesite consumir varios conjuntos de datos proporcionados por varias agencias. Idealmente, todas las agencias federales de EE. UU. proporcionarían sus datos siguiendo el mismo estándar de datos estructurados. Este enfoque proporcionaría a los algoritmos de IA datos interoperables, «comprensibles por las máquinas», accesibles y automatizables.
Los datos que se preparan utilizando el estándar de datos XBRL en la actualidad, como los datos de empresas públicas, servicios públicos, empresas de gestión de inversiones, agencias de calificación crediticia y bancos (cada uno de los cuales informa a su respectiva agencia reguladora), cumplen estos requisitos y pueden alojarse fácilmente en la misma base de datos y extraerse y utilizarse de la misma manera. En XBRL US, mantenemos una base de datos que contiene datos de presentaciones de FERC, presentaciones de SEC, presentaciones de Formato Electrónico Único Europeo (ESEF) e incluso datos de estados financieros de entidades gubernamentales estatales y locales. Todos estos datos se pueden extraer de forma muy granular utilizando las mismas aplicaciones de extracción o analíticas porque los datos, aunque bastante diferentes, están estructurados de la misma manera utilizando un modelo u ontología estandarizada. La estandarización permite economías de escala y hace que sea menos costoso informar, recopilar y extraer datos porque hay una gran cantidad de herramientas disponibles en el mercado comercial.
El estándar XBRL no es un «formato», sino un modelo de datos semántico que se puede utilizar para generar datos en múltiples formatos, incluidos XHTML, JSON, CSV y XML. Diferentes programas de recopilación de datos pueden ser más adecuados para un formato que para otro; por lo tanto, el Departamento de Comercio debe estar preparado para adoptar formatos que sean los adecuados para los datos recopilados. El estándar XBRL es un modelo de datos semántico, en lugar de un formato como XML. Tiene la flexibilidad para facilitar un enfoque que permite más de un formato.
La documentación es importante para garantizar que todas las partes interesadas tengan una comprensión compartida de los datos. El estándar XBRL requiere la creación de una taxonomía (u ontología) que contenga toda la documentación necesaria para todas las partes interesadas, incluidos los conceptos que se pueden informar junto con sus propiedades, etiquetas y referencias; y las relaciones entre esos conceptos, como el matemático y las relaciones padre/hijo. Una taxonomía es un diccionario digital de términos que contiene toda la información necesaria para cualquier persona involucrada en la presentación de informes, la recopilación o el uso de los datos expresados por la taxonomía. Cuando todas las partes interesadas pueden referirse a una sola fuente, como una taxonomía (ontología), tienen una comprensión compartida de lo que se informa, se recopila y, en última instancia, se utiliza.
AICPA aborda la ética de la IA en las auditorías
El Instituto Estadounidense de Contadores Públicos Certificados (AICPA) organizó recientemente su último webcast A&A Focus, en el que se analizó en profundidad las implicancias éticas del uso de la inteligencia artificial (IA) en los procedimientos de auditoría. El evento, parte de una serie mensual, contó con las opiniones de los principales expertos en contabilidad, auditoría y aseguramiento.
Danielle Supkis-Cheek, vicepresidenta de análisis e inteligencia artificial de Caseware, dirigió el debate sobre la ética de la inteligencia artificial. Supkis-Cheek destacó que, si bien las herramientas de inteligencia artificial son cada vez más comunes en la profesión contable, no eximen a los profesionales de sus responsabilidades éticas. Comparó el uso de la inteligencia artificial con la contratación de personal o expertos, y subrayó la necesidad de una revisión y supervisión adecuadas de los resultados generados por la inteligencia artificial.
Supkis-Cheek también destacó el riesgo de sesgo de automatización, instando a los auditores a mantener un escepticismo profesional y a no confiar demasiado en los resultados de la IA sin una evaluación crítica. Además, señaló la creciente importancia de las habilidades de ingeniería de indicaciones, sugiriendo que la elaboración de indicaciones precisas y efectivas se convertirá en una competencia valiosa para los profesionales de la contabilidad.
Básicamente, la conclusión del seminario web refleja la nuestra aquí en XBRL International: la IA se perfila como una herramienta interesante y útil, cuando se usa de manera efectiva en manos de un profesional; sin embargo, no debería verse como un sustituto del análisis de calidad.
Digitalización de las finanzas
Los productos y servicios que antes eran ofrecidos exclusivamente por los bancos, ahora son provistos por entidades o aplicaciones que pueden no estar sujetas a regulación y supervisión prudencial. Esto desafía el paradigma tradicional de supervisión basado en entidades.
Si las entidades no bancarias pueden ofrecer productos con mejores rendimientos o menores costos que los bancos, debería ser el resultado de mejoras tecnológicas reales y no el resultado de un arbitraje regulatorio. La integración del principio de «mismo riesgo, misma actividad, misma regulación» en los marcos regulatorios y legales puede ayudar a evitar el arbitraje regulatorio.
A algunos supervisores bancarios se les ha otorgado una supervisión ampliada de ciertos productos y entidades. Sin embargo, incluso cuando los supervisores no tienen supervisión directa de las entidades no bancarias, pueden seguir teniendo un papel que desempeñar, en consonancia con sus mandatos, en la medida en que estas entidades y aplicaciones interactúen con los bancos regulados y presenten riesgos para la estabilidad del sistema bancario y financiero. Una revisión por parte de los supervisores bancarios de sus marcos de supervisión actuales a la luz de los riesgos relacionados con la digitalización, pueden descubrir formas en que los elementos de estos marcos podrían evolucionar de una manera que garantice una supervisión adecuada de las actividades bancarias.
FSB destaca la importancia de la calidad de los datos en IA para la estabilidad financiera
La funcionaria del Tesoro de los Estados Unidos, Nellie Liang, presidenta del Comité Permanente de Evaluación de Vulnerabilidades del Consejo de Estabilidad Financiera (FSB), se dirigió a la Mesa Redonda OCDE-FSB sobre Inteligencia Artificial en Finanzas. Liang enfatizó el potencial transformador de la IA en las finanzas, pero también destacó la necesidad de una calidad sólida de los datos para gestionar los riesgos asociados con la implementación de la IA.
Liang describió cómo las instituciones financieras están aprovechando cada vez más la IA para reducir costos, gestionar riesgos y personalizar servicios. Sin embargo, estos beneficios conllevan riesgos sustanciales, particularmente relacionados con la precisión del modelo y la integridad de los datos.
La confiabilidad de los resultados de la IA depende en gran medida de la calidad de los datos subyacentes. Los datos inexactos o sesgados pueden llevar a una toma de decisiones errónea, lo que es particularmente peligroso en contextos financieros. Liang enfatizó que gestionar la calidad de los datos es esencial para garantizar que los modelos de IA sean efectivos y seguros, haciéndose eco de la necesidad de contar con marcos estrictos de gobernanza y supervisión.
Desde una perspectiva regulatoria, Liang abogó por la mejora de los marcos existentes para abordar los desafíos únicos que plantea la IA. Sugirió que los reguladores se centren en amplificar los riesgos conocidos, como los problemas de calidad de los datos, y adaptar los mecanismos de supervisión para atender los nuevos riesgos impulsados por la IA. Garantizar la transparencia y la rendición de cuentas en las aplicaciones de IA sigue siendo fundamental para salvaguardar la estabilidad financiera.
XBRL International reconoce el papel crucial de los datos estructurados de alta calidad para aprovechar todo el potencial de la IA y al mismo tiempo mitigar sus riesgos. A medida que la IA siga evolucionando, mantener estándares de datos rigurosos y una supervisión regulatoria será vital para garantizar la estabilidad y la integridad del sistema financiero global.
Luchando contra el fraude con IA para la verificación empresarial
En un mundo cada vez más online, la necesidad de verificar con precisión las entidades jurídicas es primordial. Ingrese a la inteligencia artificial (IA), una tecnología transformadora que promete automatizar la verificación y el monitoreo de entidades, reduciendo así el riesgo de fraude y actividades delictivas. Damian Borth, profesor de Inteligencia Artificial y Aprendizaje Automático en la Universidad de St. Gallen, completó recientemente un proyecto con la GLEIF que explora cómo la IA puede impulsar la verificación de entidades legales. En una publicación de blog reciente, arrojó luz sobre cómo aprovechar datos de entidades legales abiertos, estandarizados y de alta calidad dentro de los modelos de IA puede mejorar la seguridad financiera.
Las tecnologías de inteligencia artificial y aprendizaje automático ofrecen una solución innovadora para los desafíos contra el lavado de dinero (AML). Al analizar grandes conjuntos de datos, pueden detectar patrones y anomalías complejos, lo que mejora significativamente la detección de transacciones sospechosas. La reciente colaboración del profesor Borth con la GLEIF dio como resultado un modelo de IA capaz de predecir con precisión la forma jurídica de una entidad utilizando su nombre y jurisdicción, lo que muestra el potencial de la IA para mejorar la confiabilidad de los datos comerciales.
Combinar la tecnología de IA con datos de alta calidad ofrece los mejores resultados. El profesor Borth describe cómo los datos abiertos, confiables, estandarizados y de alta calidad son fundamentales para el desarrollo exitoso de la IA. Los datos estandarizados garantizan que los modelos de IA estén entrenados con información precisa, lo que genera resultados más efectivos.
Los datos estructurados, como los datos sobre entidades jurídicas proporcionados por el Identificador de entidad jurídica (LEI), enriquecen la investigación de IA al proporcionar un conjunto de datos consistente para entrenar y probar modelos de IA en contextos financieros y legales. Esta uniformidad mejora la confiabilidad y la interoperabilidad del modelo entre jurisdicciones y mejora las capacidades de toma de decisiones del modelo de IA.
El reciente proyecto de la GLEIF demuestra cómo aprovechar la sinergia entre la IA y los datos estructurados tiene un gran potencial para la presentación de informes empresariales. Al utilizar conjuntos existentes de datos estructurados, podemos crear modelos de IA más útiles y precisos que contribuyan a la seguridad y la transparencia financieras.