Hazte a un lado, Janet Yellen, la automatización del lugar de trabajo está a punto de volverse personal.

Imagínese si en vez de confiar en la presidenta de la Reserva Federal (Fed) se usara una computadora para transformar montañas de datos económicos en bruto en proyecciones fidedignas de desempleo, inflación y producto interno bruto. ¿Cuál es el mejor nivel para la tasa de fondos federales?

“La capacidad está”, dice Andrew Lo, director del Laboratorio de Ingeniería Financiera del Instituto de Tecnología de Massachusetts (MIT, por sus siglas en inglés), cerca de Boston. “El mayor obstáculo es la barrera cultural. Hay muchos banqueros centrales que no están tan abiertos a la tecnología”.

La inteligencia artificial (IA) podría estar a punto de mejorar los pronósticos económicos que forman la base de la creación de políticas monetarias.
Encabezado por su economista jefe, Andrew Harlane, el Banco de Inglaterra viene marcando la pauta discretamente entre los bancos centrales en lo que atañe a explorar las posibilidades de la tecnología.

Paul Robinson, director de la unidad de Analítica Avanzada del banco, de dos años de antigüedad, dice que la meta es ayudar más que sustituir a los economistas humanos. Él predice que la IA realizará un aporte significativo a la creación de políticas monetarias “sin dudas dentro de los próximos cinco años”.

Aprendizaje de máquinas. Hace tiempo que los bancos centrales usan computadoras para construir sus modelos más avanzados de la economía, los cuales son útiles para generar respuestas a preguntas hipotéticas específicas: ¿qué pasará con el desempleo si los rendimientos de los bonos del Tesoro de Estados Unidos con vencimiento en dos años suben dos puntos porcentuales? Pero en lo que respecta a hacer proyecciones del mundo real, los modelos suelen ser peores que los humanos.

Es aquí donde entra el aprendizaje de máquinas, el subámbito preponderante de la IA. Esta área trata sobre la tecnología que permite que una computadora adquiera una habilidad para la cual no se la programó explícitamente.

En el fondo, es un proceso automatizado para reconocer pautas en los datos y convertirlas en soluciones posibles a un problema determinado. Cuantos más datos, mejor.

Fondos de cobertura como Two Sigma y Renaissance Technologies utilizan el aprendizaje de máquinas para ayudar a escoger inversiones. Amazon.com Inc. lo usa para predecir las adquisiciones de los clientes y Netflix Inc., para recomendar películas.

En los bancos centrales, la tarea principal es fijar una tasa de interés para los préstamos a corto plazo que oriente una economía hacia el punto de mayor efectividad entre el sobrecalentamiento y también el estancamiento.
Como los cambios en las tasas hacen efecto con cierto retraso, acertarlos depende de pronosticar las condiciones económicas en seis a 12 meses.

Si el aprendizaje de máquinas aumenta la precisión de los pronósticos, los bancos centrales pueden hacer mejor su trabajo.