En un mundo cada vez más digitalizado, el manejo y análisis de datos se ha convertido en una fuente crucial de ventaja competitiva para las empresas, incluidas aquellas en el sector financiero. Utilizando sus vastos volúmenes de datos, las empresas pueden aplicar conocimientos específicos de su dominio para generar perspectivas accionables, una estrategia que está redefiniendo a la industria de servicios financieros (FSI). Este sector, profundamente dependiente de la regulación y bajo presiones competitivas de suma cero, no es una excepción en la búsqueda de ventajas competitivas mediante la analítica de datos avanzada.

La computación acelerada, término generalmente utilizado para referirse a hardware especializado conocido como aceleradores construidos para un propósito (PBAs), está permitiendo a la FSI acelerar una amplia gama de actividades, desde la investigación cuantitativa hasta la prevención del fraude y el trading en tiempo real. Este hardware especializado, incluidos los gráficos de procesamiento de unidades (GPUs), desempeña un papel crucial en las fases tanto de aprendizaje como de inferencia del paradigma de aprendizaje automático (ML).

Dentro de este contexto, los ejecutivos del sector financiero, como los jefes de datos (CDO), de analíticas (CAO), de inversiones (CIO), y de riesgos, están tomando decisiones estratégicas sobre inversiones en infraestructura y enfoques competitivos. A medida que avanzan en un campo de creciente velocidad, comprender los diferenciadores competitivos y formular una estrategia de negocios asociada es esencial.

La computación acelerada no solo reduce el tiempo de ejecución de los cálculos, sino que mejora la precisión de las soluciones, la experiencia del cliente y proporciona una ventaja informática sobre los competidores. En particular, el aprendizaje profundo ha experimentado un auge notable gracias a los adelantos en el hardware acelerado, especialmente los GPU, que son fundamentales para el entrenamiento y la inferencia de modelos de redes neuronales, como lo ejemplifica la utilización masiva de estos sistemas en modelos transformadores para el procesamiento del lenguaje natural (PLN).

El reporte ofrece un bagaje histórico de los PBAs, desde la comercialización de las GPUs por NVIDIA en 1999 hasta su expansión a otras aplicaciones más allá de los gráficos y los juegos. Mientras tanto, las grandes corporaciones están utilizando hardware como AWS Inferentia y AWS Trainium para satisfacer la demanda de computación acelerada en ML.

El artículo destaca el rol crucial de la computación paralela en la aceleración de tareas repetitivas y de gran volumen de datos. La taxonomía de Flynn, que clasifica las arquitecturas informáticas, proporciona un marco útil para entender las operaciones de los PBAs. Por ejemplo, las GPUs de NVIDIA, con sus múltiples núcleos CUDA y Tensor, están diseñadas para manejar grandes cargas de trabajo con datos numéricos densos y de flujo de datos, allanando el camino para su uso en aplicaciones de IA y aprendizaje automático.

El uso de instancias EC2 aceleradas en AWS, que ofrece una gama diversa de opciones, como F1 Xilinx FPGAs y P5 NVIDIA Hopper H100 GPUs, ilustra la capacidad de AWS para proporcionar soluciones de computación acelerada de alto rendimiento. Estas opciones permiten a las empresas seleccionar la combinación óptima de hardware y servicios para acelerar su flujo de trabajo de datos y ML.

La analítica y el ML en el sector financiero están evolucionando con ejemplos notables de uso de GPUs y otros PBAs en cálculos de ajuste de valuación de crédito (CVA), la simulación Monte Carlo y la preciación de opciones. Además, se mencionan aplicaciones avanzadas como los robots chatbots y modelos de lenguaje grande (LLM) que están revolucionando la industria.

En cuanto a estrategias a futuro, el artículo enfatiza la necesidad para los líderes empresariales de considerar temas como software propietario versus código abierto, la complejidad de herramientas frente a su facilidad de uso, así como los desafíos de contratación y retención. En resumen, se solicita a los líderes empresariales que consulten con AWS para explorar cómo la computación acelerada puede beneficiar a sus organizaciones a largo plazo.
vía: AWS machine learning blog