Cómo funciona esta IA de Hudson Labs que acelera y eleva la investigación de acciones
Hudson Labs (anteriormente conocido como Bedrock AI), fundado en 2019, desarrolló un software innovador impulsado por modelos de lenguaje grande (LLM) específicos de finanzas para automatizar los flujos de trabajo de investigación de acciones y extraer información útil. Los detalles.

Las promesas y los peligros de la IA dominaron las conversaciones este año. A medida que se desvanece la maravilla inicial de los chatbots, que producen instantáneamente listas de comprobación, correspondencia y análisis; los usuarios pronto se dan cuenta de que los resultados generativos de la IA deben ser oportunos, fiables y pertinentes. 

Más allá de asegurar la calidad de los datos, acecha una silenciosa cuestión de transformación digital: ¿las nuevas herramientas ayudarán o sustituirán puestos de trabajo?

La investigación de renta variable ofrece un escenario ideal para examinar estos desafíos. El año pasado, la SEC (Comisión de Bolsa y Valores norteamericana) recibió casi 800.000 presentaciones reglamentarias. Eso se traduce en millones de páginas, miles de millones de palabras e innumerables cifras para el examen y la disección de los analistas.

 

Para hacer frente a esa creciente necesidad del mercado, Hudson Labs (antes conocida como Bedrock AI), fundada en 2019, desarrolló un software innovador impulsado por modelos de lenguaje amplio (LLM) específicos de las finanzas para automatizar los flujos de trabajo de investigación de renta variable y extraer perspectivas procesables. 

En la actualidad, la empresa atiende a una lista de clientes con más de 600.000 millones de dólares en activos bajo gestión, entre los que se incluyen grandes instituciones y fondos financieros.

La plataforma de Hudson Labs permite a los profesionales de la inversión en mercados de capitales aprovechar el poder de la IA adaptada al sector. Su éxito también pone de relieve tres criterios clave para el despliegue de la IA: especialización, fiabilidad y un atractivo convincente para la aceleración del trabajo.

 

 

Confiar y verificar


ChatGPT y otras herramientas de IA generativa basadas en preguntas catapultaron el modelado del lenguaje al uso cotidiano. Su rápida popularidad se debe a la notable facilidad con la que se realizan tareas empresariales sencillas como la redacción acelerada de informes, la investigación de antecedentes, los resúmenes de reuniones y la extracción de palabras clave de transcripciones.

En todos los sectores, los empleadores se encuentran con un dilema. El Informe McLean 2024 sobre Tendencias en RR.HH. descubrió que, mientras el 79% de los líderes encuestados que están desplegando la IA gen busca un aumento de la productividad y la eficiencia, sólo el 27% de la mano de obra ve un plan claro para el despliegue, el uso y los límites de la IA.

Además, desde una perspectiva técnica, la implementación es complicada, ya que la IA gen no es ni una base de datos ni un motor de búsqueda. Los modelos populares de IA "generalista" se entrenaron con datos de la web y tienen grandes dificultades cuando se trata de clasificar datos específicos de un sector y de alto nivel técnico. 

 

Entre las limitaciones más comunes se encuentran las "alucinaciones" (información falsa que suena plausible), los errores de razonamiento y la escasa repetibilidad de los resultados.

Suhas Pai, CTO y cofundador de Hudson Labs, destacó la importancia de contextualizar la IA para las tareas financieras: “Las LLM no están pensadas para ser una solución única. El texto financiero es muy diferente del texto que suele encontrarse en Internet, caracterizado por la jerga financiera y la jerga jurídica, intercalado con números, y que posee un estilo lingüístico distinto”.

“Nuestros modelos se entrenaron con miles de millones de palabras de texto financiero, exponiéndolos así a los conceptos financieros, el estilo y la estructura textual, y ayudándoles a distinguir entre la información repetitiva y la material”, afirmó.

 

Pai explicó lo que distingue el enfoque de Hudson Labs: “La confianza y la fiabilidad son cruciales para que un producto de IA en el ámbito financiero tenga éxito. Los LLM actuales sufren demasiados problemas, como su escasa capacidad de razonamiento, su propensión a alejarse de los hechos y su falta de controlabilidad”. 

Y añadió: “En lugar de utilizar un único LLM de extremo a extremo, desglosamos una tarea -como la generación de notas de antecedentes de la empresa- en docenas de subtareas. Cada subtarea se aborda por sus propios méritos, incluso utilizando LLM especializados. De este modo, somos capaces de diseñar y entregar productos altamente fiables que superan las limitaciones comunes de los LLM que persisten”.

Según el CTO, esa solución es esencial para marcar la diferencia en eficacia, relevancia y credibilidad.

 

 

Prueba de repetición


Ningún analista de investigación puede permitirse ser autor de un informe erróneo en cuanto a los hechos. Por ello, Hudson Labs elevó su tecnología contra una popular herramienta de IA genérica y un bot específico de finanzas en una serie de consultas sobre empresas públicas seleccionadas al azar, como Domino's Pizza. 

El experimento se basó en registradores de mercado conocidos, pero menos seguidos, ya que los gigantes como Apple se presentan más ampliamente en los datos de la web.

En primer lugar, la prueba preguntó a cada plataforma si la estacionalidad, una divulgación habitual, afecta a los ingresos comerciales de las empresas seleccionadas. El bot "foro abierto" subió "datos" sobre estacionalidad para las empresas de la muestra. Por ejemplo, en el caso de Domino's, el algoritmo informó: “El año escolar puede afectar a las ventas de Domino's. Las familias con niños pueden hacer pedidos con más frecuencia durante el año escolar, cuando tienen menos tiempo para cocinar”, sostuvo. Domino's, de hecho, caracteriza su negocio como "no estacional" en los archivos de la SEC.

 

Incluso los bots generativos más especializados y orientados a las finanzas también mostraron errores. Cuando se le pidió que enumerara los segmentos de negocio declarables de Domino's, respondió "reparto, comida para llevar y para sentarse". La respuesta correcta de las revelaciones de Domino's es "tiendas de EE.UU., tiendas internacionales y cadena de suministro". 

Las herramientas de IA de Hudson Labs arrojaron resultados perfectos en todas las consultas de prueba, un marcado contraste con las respuestas mixtas o fallidas de las alternativas.

Esa ventaja es clave para mejorar las tareas habituales de investigación de renta variable.

 

La CEO y cofundadora de Hudson Labs, Kris Bennatti, resaltó: "Cuando los analistas se preocupan por su trabajo, les recuerdo que tienen que consumir grandes cantidades de información para desarrollar una visión diferenciada del resto del mercado."

Sostuvo que si la IA hace que el proceso de consumir esa información sea un 50% o incluso un 15% más fácil, su trabajo sigue siendo el mismo “con menos fricción y frustración”. 

"Por ejemplo, uno de los aportes de Hudson Labs a la investigación de la IA financiera es una técnica patentada de supresión de ruido que puede aplicarse a las comunicaciones de las empresas, las transcripciones de las llamadas, etc. En un futuro impulsado por la IA, no tendrá que leer diez páginas sin sentido sólo para encontrar el único punto que importa", añadió.

 

Esta perspectiva ejemplifica cómo la IA curada puede acelerar y elevar el trabajo, calmar los temores a la sustitución laboral y apuntalar una transformación digital significativa y duradera.


Mirada al futuro


Bennatti ve grandes perspectivas en la automatización del flujo de trabajo de los servicios financieros. “De cara al futuro, nuestra investigación y tecnologías de IA específicas para las finanzas permiten a Hudson Labs ofrecer tres productos oportunos clave: resúmenes de transcripción de ganancias, memorandos de inversión automatizados auditables y feeds de noticias generados por IA para mercados desatendidos”.

Tales recursos pueden diferenciar la investigación e impulsar a los mejores. Al fin y al cabo, lo que importa es el tiempo para la perspicacia, no los datos. ¿Quién está preparado, o no?

 

Nota publicada en Forbes US.