Por: Giampaolo Levorato, científico de datos Senior en Provenir

Todos hemos escuchado el término Big Data y en el mundo de los servicios financieros no es una excepción. Big data se refiere a grandes conjuntos de información estructurados y no estructurados que crecen a un ritmo cada vez mayor. Los datos impulsan las decisiones claves que toman las fintechs y las organizaciones dentro de esta industria, que van desde ayudar a determinar la identidad y aprobar un préstamo de automóvil o una hipoteca hasta optimizar los precios y decidir cuándo venderle más a un cliente actual.

El aumento del volumen, la variedad y la velocidad de los datos ha llevado a las instituciones financieras a utilizar algoritmos avanzados de aprendizaje automático para tomar decisiones más inteligentes y rápidas. Pero el uso de IA no está exento de desafíos. Puede haber varios obstáculos para una implementación exitosa, incluida la elección de los algoritmos correctos, la interpretación, explicación e implementación de modelos complejos, la garantía de que la infraestructura sea suficiente y la gestión de sesgos.

1. Elegir el algoritmo correcto: no todos los algoritmos funcionan igual de bien en el mismo conjunto de datos. Dependiendo de la naturaleza de los datos, las organizaciones deben poder elegir y configurar el mejor algoritmo para ajustar su información.
2. Complejidad, interpretabilidad y explicabilidad del modelo: la complejidad de los algoritmos de IA puede hacer que estos se vuelvan «cajas negras», en el sentido de que a menudo incluso los desarrolladores no saben por qué y cómo los algoritmos toman las decisiones que toman.
3. Implementación de modelos: la implementación de un modelo en producción requiere coordinación entre los científicos de datos, los desarrolladores de software y los usuarios comerciales, lo que plantea un desafío con respecto a los diferentes lenguajes de programación y a los enfoques que deben unificarse en una sola solución.
4. Requisitos de infraestructura: muchas organizaciones carecen de la infraestructura necesaria para el modelado de datos y su reutilización. Ser capaz de desarrollar y probar rápidamente diferentes herramientas, a través de distintos grandes conjuntos de datos, es esencial para producir resultados más precisos y manejables.
5. Sesgo de exclusión: muchos consumidores en todo el mundo siguen siendo «invisibles para el crédito» o poseen un historial crediticio reducido, lo que significa tienen poco o nulo acceso a calificaciones crediticias.

¿Cuál es la mejor manera de abordar estos desafíos? Las organizaciones de servicios financieros deben hacer la transición de modelos tradicionales lineales generalizados (GLM) hacia algoritmos de IA explicables  para poder mejorar la velocidad y la exactitud de sus decisiones. Según una encuesta reciente realizada por Pulse y Provenir, el 69% de las empresas planean invertir en decisiones crediticias habilitadas por IA en 2022. Los algoritmos de IA también pueden ayudar a identificar con mayor facilidad el fraude y crear oportunidades para mejorar la experiencia del cliente en todo el ciclo de vida completo

Optimización de los algoritmos: elija los algoritmos más apropiados entre una amplia variedad de

opciones, que incluyen Gradient Boosting Decision Trees, bosques aleatorios y Deep Neural

Networks, según la naturaleza del conjunto de datos.

Interpretabilidad y explicabilidad: a través de una cuidadosa adopción de la explicación de los métodos  SHAP y LIME es posible aclarar cómo y por qué tu modelo ha hecho una predicción.

Facilidad de implementación: el uso de una plataforma unificada permite una implementación perfecta, lo que les permite a las empresas tomar medidas rápidas y eficaces.

Escalabilidad: reduce el tiempo de desarrollo, de meses a días, mediante el entrenamiento automático, probando, monitoreando y administrando su modelo.

Datos diversos: al aprovechar los datos tradicionales y alternativos, mejora la precisión de tu modelo,

mientras manejas el sesgo y promueves la inclusión financiera.

Usar algoritmos de IA brinda numerosos beneficios (que incluyen una mayor precisión, un mejor cumplimiento y una escalabilidad superior)  lo cual tiene un tremendo impacto en la estabilidad y el crecimiento general de tu negocio.

Utilizar algoritmos de IA significa obtener modelos más predictivos y precisos, lo que resulta en mayores ganancias, pérdidas reducidas y evaluaciones de riesgos más actualizadas. Después de realizar una investigación interna, Provenir ha observado que los algoritmos de IA pueden mejorar la precisión de un modelo hasta en un 7%, mientras que su implementación y desarrollo automatizado pueden reducir el tiempo y el esfuerzo hasta en un 90%. Esto asegura una mayor velocidad de comercialización con modelos más precisos y la capacidad de responder rápidamente a las necesidades de los consumidores y a las tendencias del mercado, para una verdadera escalabilidad. Y los efectos de esto van más allá de un negocio individual, sino que impacta en la economía en su conjunto – The Wall Street Journal pronosticó un aumento del 14% en el PIB mundial para 2030 gracias a los avances de la IA.

Ahora hay más legislación en juego que requiere una completa explicabilidad de los modelos. Los modelos interpretables y explicables cumplen estos requisitos al demostrar claramente cómo y por qué toman las decisiones que toman. Además del cumplimiento, la gobernanza modelo puede ser increíblemente difícil en entornos tradicionalmente aislados. Entornos separados para la recopilación de datos, el desarrollo de modelos, la implementación y el monitoreo requieren una inmensa cantidad de tiempo y recursos para integrarse. Con un entorno cohesivo y todo en uno, se elimina ese tiempo y esfuerzo de integración, lo que permite obtener resultados en tiempo real y ayudar a reducir el error humano de los procesos manuales.

Además de los entornos aislados de recopilación de datos, desarrollo de modelos, implementación y monitoreo, los modelos también se construyen a menudo por separado de los motores de decisión y el movimiento de datos innecesarios entre ellos aumenta el tiempo, el esfuerzo y la probabilidad de errores. Con una plataforma unificada que incorpora datos, IA y toma de decisiones, los modelos se construyen e implementan en una misma plataforma, lo que garantiza la obtención de datos y la integración de modelos, eliminando retrasos en la grabación y asegurando el máximo rendimiento de sus modelos. En La experiencia de Provenir, los modelos implementados en una plataforma unificada pueden ahorrar hasta un 30% de tiempo y esfuerzo en el modelado total del proyecto.

Pero, ¿qué hace que la IA sea tan poderosa y capaz? Se trata de los datos. Cuantos más datos tengan sus modelos de IA, mejor funcionarán sus algoritmos avanzados. Una plataforma agnóstica de datos que puede integrar y enriquecer sus conjuntos de datos existentes con cualquier otro tipo de conjunto de datos (es decir, varias formas de datos alternativos) es crítica. Esta perfecta integración con una amplia variedad de fuentes de datos ayuda a fomentar la inclusión, gestionar el sesgo y mejorar el poder predictivo de tus modelos. Y no es un trato hecho en una única vez: el verdadero valor proviene de la mejora continua que ocurre cuando junta los datos, la IA y la toma de decisiones. El monitoreo de modelos y un ciclo de retroalimentación constante te ayudan a afinar tus decisiones para una continua optimización.

La capacidad de aumentar tu poder predictivo y tomar decisiones más precisas tiene un impacto en todo el ciclo de vida del cliente. Los paneles e informes en tiempo real te ayudan a mantenerte actualizado sobre los cambios con tus clientes, tu cartera y todos tus modelos. Esto te  permite generar actualizaciones automáticas, con todo lo necesario para el monitoreo en vivo. De esta manera puedes tener mejores relaciones con tus clientes, aumentar tu agilidad para responder a las necesidades del mercado y predecir mejor (¡y prevenir!) el fraude y la pérdida.

Según The Economist, el 86% de los ejecutivos de servicios financieros planean aumentar su inversión en IA, pero la mayoría de los proyectos de IA nunca superan la etapa de concepto y/o planificación. A pesar de que pasar de modelos lineales a modelos avanzados de IA puede parecer desalentador, es posible implementar IA y ver resultados en menos de 60 días.

Consulte nuestra guía con tips para que tu toma de decisiones de riesgo con IA escale de nivel.