Rechercher

L’intelligence artificielle (IA) peut-elle penser et agir comme un gestionnaire de liquidités? Dans cet article, nous explorons comment les agents d’IA générative peuvent aider à gérer des liquidités, à établir des priorités de paiement et à optimiser l’efficience dans des systèmes à règlement brut en temps réel.

Au cours des dernières années, des efforts considérables ont été déployés pour attirer davantage de femmes dans le milieu universitaire et pour faire avancer leur carrière, dans le but d’accroître leur représentation.

Nous constatons que les personnes qui ont besoin d’aide pour effectuer des opérations bancaires ou qui hésitent à adopter de nouvelles technologies évitent les systèmes de paiement numérique lorsqu’elles s’attendent à ce qu’ils manquent d’utilisabilité. Pour aider à améliorer les interactions des utilisatrices et utilisateurs et renforcer leur confiance, il faut appliquer des pratiques standard d’accessibilité, offrir une assistance en direct et concevoir une interface réfléchie.

Nous évaluons les implications macroéconomiques complexes de la récente hausse démographique au Canada. Nous constatons que les nouveaux arrivants stimulent fortement la croissance potentielle non inflationniste de l’économie, mais que les déséquilibres déjà présents dans le secteur du logement pourraient être aggravés. L’offre de logements doit être accrue pour compléter les gains économiques à long terme découlant de la croissance de la population.

Nous passons en revue une sélection d’études tirant parti de l’apprentissage automatique à des fins de recherche économique et d’analyse de politiques. Notre examen fait ressortir les circonstances où l’apprentissage automatique est utilisé en économie, les modèles préférés en général, et la façon dont ils sont utilisés.

Nous explorons de l’information quantitative et qualitative sur les Canadiens qui ont des difficultés à faire des paiements numériques. Nous examinons aussi les incidences de la numérisation continue sur l’inclusion financière moderne et sur une possible monnaie numérique de banque centrale.

Nous utilisons deux algorithmes d’apprentissage automatique pour prévoir la croissance mensuelle des prix des logements et des ventes de logements existants au Canada. Même si ces algorithmes peuvent parfois être plus efficaces qu’un modèle linéaire, l’amélioration de l’exactitude des prévisions n’est pas toujours statistiquement significative.

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.