De visual analytics a modelos generativos: Recursos clave para la economía basada en datos

En un mundo impulsado por los datos y la inteligencia artificial, las herramientas de visualización, el aprendizaje automático y el aprendizaje profundo están transformando industrias enteras. En este post, exploraremos recursos clave y lecturas recomendadas que abarcan desde cómo aprovechar al máximo Tableau en el análisis visual hasta aplicaciones de aprendizaje profundo que revolucionan la economía cuantitativa. Estas recomendaciones te guiarán para potenciar tus habilidades en análisis de datos, investigación económica y mucho más.

I. Visual Analytics

• Deje que Tableau escriba su SQL por usted: aprende sobre relaciones y relaciones de múltiples hechos en Tableau.
• Su guía sobre las extensiones de Viz de Tableau: aprende cómo comenzar a utilizar las extensiones de Viz y profundiza en las 36 extensiones disponibles en Tableau Exchange.
• Dashboards del BCBS: Los dashboards permiten ahora visualizar de forma interactiva los resultados de los riesgos crediticios, de mercado, operativos, de crédito de contraparte y de ajuste de valoración crediticia. Estos y todos los demás dashboards de seguimiento de Basilea III se compilan en esta página de dashboards.

II. Aprendizaje automático

• MLSysBook.AI: Principios y prácticas de la ingeniería de sistemas de aprendizaje automático (TensorFlow).
• Aprendizaje automático para la detección de anomalías en establecimientos de servicios monetarios mediante datos por geolocalización. Desde 2017, los operadores de empresas de servicios monetarios (MSB) con licencia en Malasia informan los datos transaccionales al Banco Central de Malasia mensualmente. Los datos permiten a los supervisores realizar un seguimiento remoto de la industria de MSB; sin embargo, debido al creciente tamaño de los datos y a la gran población de operadores, los supervisores enfrentan desafíos de recursos para identificar oportunamente patrones de mayor riesgo, especialmente a nivel de establecimiento de MSB. El documento propone un enfoque de aprendizaje automático débilmente supervisado para detectar anomalías en los establecimientos de MSB de forma periódica combinando datos transaccionales con información del establecimiento, incluidos datos relacionados con la geolocalización. Los resultados de la prueba destacan los beneficios de las técnicas de aprendizaje automático para facilitar que los supervisores concentren sus recursos en los establecimientos de MSB con comportamientos anormales en una ubicación específica (BIS).

III. Aprendizaje profundo

• Inteligencia artificial generativa para la investigación económica: los LLM aprenden a colaborar y razonar. Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) han experimentado un notable progreso en cuanto a velocidad, rentabilidad, precisión y capacidad para procesar mayores cantidades de texto durante el último año. Este artículo es una guía práctica para actualizar a los economistas sobre cómo utilizar estos avances en sus investigaciones. Las principales innovaciones que se tratan son (i) nuevas capacidades de razonamiento, (ii) nuevos espacios de trabajo para la colaboración interactiva en LLM como Artifacts de Claude, Canvas de ChatGPT o Copilot de Microsoft, y (iii) recientes mejoras en la búsqueda en Internet impulsada por LLM. La incorporación de estas capacidades en su trabajo permite a los economistas lograr importantes ganancias de productividad. Además, destaco nuevos casos de uso en la promoción de la investigación, como publicaciones de blogs, diapositivas de presentaciones y entrevistas generadas automáticamente, así como podcasts a través de NotebookLM de Google (NBER).
• Dominando la maldición de la dimensionalidad: Economía cuantitativa con aprendizaje profundo. Sostenemos que el aprendizaje profundo ofrece un enfoque prometedor para abordar la maldición de la dimensionalidad en la economía cuantitativa. Comenzamos explorando los desafíos únicos que implica la solución de modelos de equilibrio dinámico, en particular el ciclo de retroalimentación entre las decisiones de los agentes individuales y las condiciones de consistencia agregada necesarias para alcanzar el equilibrio. Luego presentamos las redes neuronales profundas y demostramos su aplicación resolviendo el modelo de crecimiento neoclásico estocástico. A continuación, comparamos las redes neuronales profundas con los métodos de solución tradicionales en economía cuantitativa. Concluimos con una revisión de las aplicaciones de las redes neuronales en la economía cuantitativa y proporcionamos argumentos para un optimismo cauteloso (Banco de España).

La visualización de datos, el aprendizaje automático y el aprendizaje profundo no solo están remodelando nuestras herramientas de trabajo, sino también cómo entendemos y resolvemos problemas complejos. Ya sea automatizando procesos en Tableau, utilizando LLM para investigación económica o abordando la maldición de la dimensionalidad con redes neuronales, las oportunidades de aprendizaje y mejora son vastas.

Si te interesa profundizar más, no dejes de explorar los recursos mencionados en este artículo. Cada uno de ellos representa un paso hacia un futuro donde la tecnología y el conocimiento se entrelazan para resolver los desafíos del presente. ¡Descubre, aprende y comparte!