Biographie

Ajit Desai travaille actuellement en tant que scientifique des données principal dans la Division de recherche du Département des opérations bancaires et paiements de la Banque du Canada. Ses travaux actuels s'appuient sur des techniques de pointes telles que l'intelligence artificielle, l'apprentissage automatique et l'informatique quantique pour étudier les données de paiement (y compris les données de crypto-monnaie) dans le but principal de rendre l'infrastructure de paiement numérique du Canada sûre et efficace. Dr. Desai a obtenu son doctorat de l'Université Carleton en 2018 en sciences et ingénierie computationnelles et une M.S. en génie aérospatial de l'Institut indien de technologie de Madras en 2011.


Afficher tous

Documents de travail du personnel

Improving the Efficiency of Payments Systems Using Quantum Computing

Nous élaborons un algorithme et l’exécutons sur un calculateur quantique à recuit simulé par l’intermédiaire d’un solveur hybride. L’objectif est de trouver la séquence des paiements en attente de règlement qui permet de réduire le montant de liquidités nécessaire dans le système sans faire augmenter cette attente de façon considérable.

Macroeconomic Predictions Using Payments Data and Machine Learning

Document de travail du personnel 2022-10 James Chapman, Ajit Desai
Nous démontrons l’utilité des données des systèmes de paiement et des modèles d’apprentissage automatique pour les prévisions macroéconomiques et proposons un ensemble d’outils économétriques pour surmonter les défis qui leur sont associés.

Estimating Policy Functions in Payments Systems Using Reinforcement Learning

Document de travail du personnel 2021-7 Pablo S. Castro, Ajit Desai, Han Du, Rodney J. Garratt, Francisco Rivadeneyra
Nous montrons que les techniques d’apprentissage par renforcement permettent d’estimer les fonctions de réaction optimale des banques qui participent aux systèmes de paiement de grande valeur – un jeu stratégique du monde réel caractérisé par des informations incomplètes.

Using Payments Data to Nowcast Macroeconomic Variables During the Onset of COVID-19

Document de travail du personnel 2021-2 James Chapman, Ajit Desai
Nous utilisons des données sur les paiements de détail et des techniques d’apprentissage automatique afin de prévoir les effets de la COVID-19 sur l’économie canadienne en temps quasi réel. Notre modèle améliore de façon considérable la précision des prévisions macroéconomiques comparativement à un modèle de référence linéaire.

Plus


Publications dans des revues

Revues avec comités de lecture

  • Chapman, J. T., & Desai, A. (2020). Using payments data to nowcast macroeconomic variables during the onset of COVID-19. Journal of Financial Market Infrastructures, vol. 9, no 1.
  • Desai, A., Khalil, M., Pettit, C. L., Poirel, D., & Sarkar, A. (2020). Domain Decomposition of Stochastic PDEs: Development of Probabilistic Wirebasket-based Two-level Preconditioners. Journal of Computational Physics (review).
  • Desai, A., Khalil, M., Pettit, C., Poirel, D., & Sarkar, A. (2018). Scalable domain decomposition solvers for stochastic PDEs in high performance computing. Computer Methods in Applied Mechanics and Engineering, vol. 335, p. 194-222.
  • Desai, A., Witteveen, J. A., & Sarkar, S. (2013). Uncertainty quantification of a nonlinear aeroelastic system using polynomial chaos expansion with constant phase interpolation. Journal of Vibration and Acoustics, vol. 135, no 5.
  • Desai, A., & Sarkar, S. (2010). Analysis of a nonlinear aeroelastic system with parametric uncertainties using polynomial chaos expansion. Mathematical Problems in Engineering.