4-G | Devpost

Inspiración

Muchas veces invertir puede ser aterrador. Muchas herramientas se enfocan en intentar enseñar conceptos y estrategias de inversión, pero pocas ofrecen recomendaciones personalizadas con beneficios tangibles.

Qué hace?

Usa inteligencia artificial y aprendizaje automatizado para predecir el nivel de ingresos y gastos en el futuro, permitiendo conocer la cantidad de dinero disponible para invertir, así como el tiempo en que deberá disponerse de ese dinero. Además se integra una inteligencia artificial generativa para dar recomendaciones, y un chatbot que permite conocer mejor al cliente.

Cómo lo construímos

Para la implementación de la propuesta se utilizó Python como lenguaje de programación tanto en el Frontend como en el Backend. La interfaz de usuario se hizo con Streamlit, Pillow, Pandas y Matplotlib; mientras que en el Backend se emplearon tecnologías como Pandas, NumPy y TensorFlow para predecir los ingresos y gastos de la cuenta bancaria; y el API de OpenAI para tener acceso al LLM (Large Language Model) de ChatGPT. También fue necesario el desarrollo de datos dummy, que fueron utilizados para entrenar redes neuronales recurrentes y tener un flujo de datos, lo cual fue posible con un script de Python en el que se utilizó Faker y Pandas.

Retos

Hacer una web app funcional e integrada
Crear desde cero un modelo predictivo
Integrar Api de NLP al flujo de streamlit
Expertise en el campo

Logros que nos enorgullecen

Metas de Inversiones Asequibles
Chatbot de asesoría financiera
Gráficas para facilitar el entendimiento de las inverciones

¿Qué sigue para InvierTECH?

Es importante verificar si un mismo modelo (una red neuronal con los mismos pesos) es capaz de predecir las transacciones de múltiples clientes, aunque su historial de ingresos y egresos sea distinto, para evitar entrenar una gran cantidad de modelos. Utilizar conjuntos de datos que sean más representativos de la realidad. Identificar las transacciones periódicas para mejorar la predicción Identificar cuándo será necesario contar con esos fondos para poder sugerir el plazo de las inversiones. Mejorar la integración de los servicios a partir de APIs desacopladas (loosely coupled) y estandarizadas.

Otra propuesta que nos resultó interesante para ser integrada con el coach de inversiones, pero que no desarrollamos durante este evento debido a que se salía del alcance planteado por el reto, es la posibilidad de utilizar noticias y procesamiento del lenguaje natural (NLP) para determinar el sentimiento/percepción que se está teniendo en los fondos de inversión. Con dicha información sería posible que el perfilador de riesgo pueda evaluar riesgos y el posible retorno de una inversión y mejorar las explicaciones que le da a los clientes cuando sugiere un portafolio de inversión.