top of page
robot-futurista-inteligencia-artificial-revolucionario-concepto-tecnologia-ai.jpg

Credit Scoring, Inteligencia Artificial y Machine Learning Cuántico 

 

 

 

OBJETIVO DEL CURSO

Curso intensivo para desarrollar herramientas de credit scoring, calibrar la probabilidad de default, PD, y validar modelos. Se explican metodologías  de machine learning tradicional, probabilístico y cuántico. Además se explica como automatizar la construcción y calibración de la PD con la propia inteligencia artificial.

 

El participante aprenderá a desarrollar modelos de credit scoring, tradicionales y avanzados, en la etapa de admisión y seguimiento del crédito. Es decir, se explica la construcción del credit y behavior scoring empleando volúmenes de información enormes.

 

Respecto a la analítica de datos, se expone un módulo, sobre el tratamiento avanzado de los datos, explicando entre otros temas, el muestreo, análisis exploratorio, segmentación y detección de outliers. 

 

Se exponen las principales técnicas del machine learning, aprendizaje supervisado, no supervisado y de refuerzo, aplicados a la creación de herramientas de credit scoring.

Se exponen metodologías tradicionales como la regresión logística y otras, innovadoras, de machine learning, tales como: árboles de decisión, naive bayes, KKN, Regresión logística LASSO, random forest, redes neuronales, redes bayesianas, Support Vector Machines, gradient boosting tree, etc .

Se explica el uso de redes neuronales de deep learning para desarrollar potentes modelos de credit scoring que los bancos pueden implementar como herramientas desafiantes o herramientas útiles en el proceso de admisión y seguimiento. Se  exponen las redes neuronales feed forward, convolucionales, recurrentes y redes generativas antagónicas. Se explica una metodología propia, de Fermac Risk, para controlar los modelos de deep learning y hacerles interpretables. Lo anterior, evitará las inaceptables cajas negras.

Los hiperparámetros son parámetros cuyos valores controlan el proceso de aprendizaje y determinan los valores de los parámetros del modelo que termina aprendiendo un algoritmo de aprendizaje. El prefijo hiper sugiere que son parámetros de 'nivel superior' que controlan el proceso de aprendizaje y los parámetros del modelo que resultan de él.

Se muestran técnicas para calcular los hiperparámetros, tales como grid search, random search y optimización bayesiana.  

Se entregan más de 20 modelos de credit scoring, con distintas metodologías en diversos lenguajes de programación como lo son: R, Python, Jupyterlab, Tensorflow y SAS. Se entregan modelos de credit scoring de admisión, seguimiento, recobro, ingresos y abandono.

​Se enseñan metodologías avanzadas para calibrar el parámetro de riesgo PD IRB. Se aborda la calibración por ajuste a la tendencia central, la filosofía del rating  PD PIT y PD TTC, la calibración de modelos de machine learning para que produzcan probabilidades de default. Además se ha incluido un modulo para desarrollar y calibrar la PD Lifetime de IFRS 9 empleando modelos de deep learning.

El aprendizaje automático automatizado, también denominado ML automatizado o AutoML, es el proceso de automatizar las tareas iterativas del desarrollo de modelos de Machine Learning. Permite que los analistas de riesgos creen modelos de aprendizaje automático con un escalado, eficiencia y productividad altos, al mismo tiempo que mantiene la calidad del modelo, pueden ayudar no solo a la auto construcción de modelos sino a la validación de modelos de credit scoring.

Se muestran técnicas de machine learning probabilístico para construir modelos de credit scoring como lo son las redes neuronales bayesianas entre otros modelos.

Se explican metodologías de aprendizaje automático automatizado usando algoritmos genéticos entre otras técnicas avanzadas.

Se indican las mejores prácticas de validación de modelos de credit scoring de las entidades financieras usando la inteligencia artificial y los requerimientos regulatorios en Europa para usar este tipo de modelos. 

El Machine Learning cuántico es la integración de algoritmos cuánticos dentro de programas de Machine Learning. Los algoritmos de machine learning se utilizan para calcular inmensas cantidades de datos, el aprendizaje automático cuántico utiliza qubits y operaciones cuánticas o sistemas cuánticos especializados para mejorar la velocidad de cálculo y el almacenamiento de datos realizado por algoritmos en un programa. Por ejemplo, algunas técnicas matemáticas y numéricas de la física cuántica son aplicables al deep learning clásico. Una red neuronal cuántica tiene capacidades computacionales para disminuir la cantidad de pasos, los qubits utilizados y el tiempo de cómputo. 

El objetivo del curso es mostrar el uso de la computación cuántica y redes tensoriales para el cálculo de algoritmos de machine learning.

Consideramos que la computación cuántica comenzará a transformar el panorama de los servicios financieros en los próximos años. Los bancos que adopten algoritmos cuánticos tendrán ventajas competitivas, incluido el potencial de superar a los competidores para convertirse en líderes indiscutibles del mercado.

¿QUIÉNES DEBEN ASISTIR?

 

El Curso está dirigido a profesionistas de entidades financieras interesados en el desarrollar potentes modelos de credit scoring y calibrar la salida de los mismos, así como a responsables de modelos en los departamentos de riesgo crédito y ciencia de datos.

 

Para la mejor comprensión de los temas es necesario que el participante tenga conocimientos de estadística y matemáticas.