La tecnología GPT surgió a partir del procesamiento del lenguaje natural (NLP), una rama del machine learning (ML) dedicada a conseguir que los ordenadores entiendan, interpreten y generen lenguaje humano. Uno de los primeros ejemplos de aplicación del NLP en el mundo de las inversiones financieras es Bag-of-Words, desarrollado en 2007, que identifica palabras asociadas a emociones positivas o negativas.
En 2017, el laboratorio de investigación de Google introdujo el modelo Transformer, una arquitectura de red neuronal profunda que permite un entrenamiento más eficiente de la red y aumenta el tamaño posible del modelo y la cantidad de datos que se pueden procesar. GPT (Generative Pre-trained Transformer, o transformador generativo preentrenado) es una clase específica de modelos de lenguaje basados en el procesamiento del lenguaje natural, desarrollada por OpenAI. Cada generación de GPT supone un gran avance en capacidad respecto a su predecesora, siendo GPT-4 la última y más avanzada.
Casos y oportunidades
La velocidad con la que han despegado GPT y los modelos generativos puede considerarse apasionante o amenazante, dependiendo del nivel de confort que tenga cada cual con las nuevas tecnologías. Cuando surge una nueva tecnología, se puede optar por analizar sus implicaciones con vistas a su adopción o, simplemente, ignorarla. Nosotros somos más partidarios de lo primero, con curiosidad y cautela.
Existen numerosas aplicaciones potenciales de un modelo GPT maduro en el sector de la gestión de activos. Por ejemplo, un componente clave del conjunto de recursos de un experto en análisis cuantitativo es la capacidad de identificar y sintetizar rápido información útil para tomar decisiones de inversión. La capacidad que tiene ChatGPT para analizar una gran cantidad de datos de texto podría aprovecharse para elaborar carteras de inversión, o también para ayudar a los analistas a identificar temas y tendencias de inversión novedosos o emergentes que tal vez no se conozcan bien aún o no estén reconocidos de manera generalizada.
Un aspecto especialmente interesante para los analistas es que ChatGPT puede usarse para contrastar puntos de vista y como ayudante en los análisis. Se puede pedir a ChatGPT que evalúe una idea, critique la estructura de un escrito o realice un análisis de escenarios. A modo de ejemplo, preguntamos a ChatGPT: «¿Qué sectores pueden verse más afectados por el aumento de la inflación y por qué?».
Mejores inversiones, mejor flujo de trabajo
Incorporar GPT al flujo de trabajo de un experto en un área puede permitirle dedicar más tiempo a tareas de mayor valor añadido y menos a tareas rutinarias del proceso. Desde la preparación de informes hasta resúmenes y programación, pasando por el correo electrónico, un asistente personal de facto en forma de un modelo como ChatGPT puede ahorrar muchísimo tiempo y esfuerzo. En el área del marketing, GPT también puede ser útil como colaborador creativo para confrontar ideas y generar contenidos llamativos.
Un buen ejemplo de cómo ha ayudado el modelo a Robeco es la redacción de cartas de engagement, una herramienta importante y eficaz para los inversores preocupados por la sostenibilidad, para animar a las empresas a mejorar sus prácticas en esta área. GPT puede ahorrar a los inversores en sostenibilidad una inmensa cantidad de tiempo en la redacción de cartas coherentes y cuidadas, al mismo tiempo que permite a los inversores en sostenibilidad elegir los temas de engagement.
En 2022, Robeco desarrolló un sistema para utilizar GPT como ayuda en la redacción de cartas de engagement, mejorando así el impacto y el alcance de los profesionales de la sostenibilidad de la empresa, mientras se aseguraba de que conservaban el control total sobre la empresa y los temas de engagement.
Inversión cuantitativa de próxima generación
A medida que avanza la tecnología, aumentan las oportunidades para los inversores cuantitativos. Con la incorporación de nuevos datos y el aprovechamiento de técnicas de modelización avanzadas podemos ahondar en nuestro conocimiento y mejorar la toma de decisiones.
¿A qué debemos estar atentos?
Las posibilidades actuales y futuras de los modelos generativos y, en particular, de los GPT, suscitan un gran entusiasmo. Sin embargo, es crucial reconocer e identificar los posibles escollos de la tecnología, así como las situaciones en las que las cosas podrían salir mal. En el momento de redactar este texto, consideramos que GPT y los modelos generativos son herramientas versátiles y creativas que se pueden utilizar y con las que se puede experimentar, pero en las que no se puede ni se debe confiar plenamente.
En primer lugar, al haber sido entrenado con un conjunto muy amplio de entradas textuales, GPT puede tener problemas con tareas específicas de un área. Incluso la calidad de los resultados de GPT-4 no puede compararse con la de un verdadero experto humano. En segundo lugar, las respuestas también pueden ser incorrectas. Es lo que se conoce como «alucinaciones artificiales»: GPT dará a los usuarios respuestas que suenan plausibles aunque sean categóricamente incorrectas y, en ocasiones, incluso intentará convencerles.
Para resolver estos problemas, siempre tiene que haber una supervisión humana, sobre todo porque la fase de entrenamiento de GPT termina necesariamente en un momento determinado. Incluso cuando se puede acceder a información actualizada a través de motores de búsqueda integrados con un algoritmo de GPT, lo que podría ayudar a mejorar la precisión del texto generado y también a superar el reto de generar texto con números, no es aconsejable confiar únicamente en GPT.
Por último, dado que el sector de la gestión de activos es un sector muy regulado, el uso de GPT se enfrenta a retos relacionados con el cumplimiento y la regulación. Garantizar la confidencialidad de la información sensible es primordial, ya que los gestores de carteras manejan a menudo datos confidenciales de clientes y estrategias de inversión propias. Aunque los modelos GPT son muy eficaces a la hora de procesar y generar texto, pueden retener o exponer accidentalmente información facilitada durante el entrenamiento o las interacciones con los usuarios. Este riesgo ya ha llevado a varias instituciones a bloquear el uso de modelos GPT para salvaguardar la privacidad de los clientes y proteger la propiedad intelectual.
El futuro
Desde el punto de vista de la sociedad en general, creemos que GPT puede tener tres implicaciones clave. En primer lugar, una forma de ver estos modelos generativos es como un archivo de sabiduría convencional. Estos modelos podrían proporcionar un acceso rápido y sencillo a toda la sabiduría convencional digitalizada recopilada por la humanidad. En esencia, estos modelos democratizan el acceso al nivel básico de conocimiento, tanto a la sociedad en general como dentro de una organización.
En segundo lugar, esta tecnología también tiene el potencial de mejorar considerablemente la productividad, eliminando la necesidad de que los trabajadores realicen las tareas que estos modelos pueden hacer. Por un lado, esto podría dar paso a conceptos como la «semana laboral de cuatro días» en todo el mundo. Por otro lado, podría significar una mayor polarización de la sociedad entre los trabajadores cualificados con habilidades que los modelos generativos no tienen y los que serían sustituidos, como los escritores y programadores corrientes. Y si estas tecnologías se integran en la sociedad, ¿qué ocurrirá con la fiabilidad de la información?
Para el sector de la gestión de activos, a medida que las máquinas se vuelven más humanas, la tercera implicación del uso de GPT es que los humanos pueden volverse aún más humanos. Es decir, las personas que trabajan en el sector de la gestión de activos deben centrarse más en la compasión, la creatividad, los conocimientos especializados y el buen juicio. Las personas con conocimientos especializados mantendrán su importancia para la organización, y la capacidad de tomar la decisión empresarial correcta (y luego responsabilizarse de las consecuencias) será tan importante como siempre.