• Ramón Trías e Irving Juárez, ejecutivos de AIS Group, empresa pionera en el desarrollo de aplicaciones de Inteligencia Artificial, muestran su potencial en el sector financiero, mejorando la concesión de créditos y reduciendo impagos y fraudes.
• El desarrollo de aplicaciones de IA, particularmente modelos de Machine Learning, enfocados a la actividad financiera, permiten gestionar mejor el riesgo, optimizar el seguimiento de las carteras, detectar con antelación señales de posible impago, tasar automáticamente inmuebles, prevenir fraudes y optimizar la recuperación del crédito, entre otros.
“Más allá de las modas, la Inteligencia Artificial debe generar valor real en la empresa”, afirma Ramón Trías, presidente de AIS Group, empresa especialista en la aplicación de la Inteligencia Artificial (IA) para el desarrollo de sistemas de toma de decisiones basados en datos, también conocidos como data-driven.
Pionero en el desarrollo -desde 1987- de aplicaciones de inteligencia artificial en España y diversos países latinoamericanos, entre ellos México, el presidente de AIS afirma que la IA está aportando valor en distintos sectores, como la sanidad, el transporte o la selección de personal. Pero si un sector puede ser catalizador del uso y beneficio que pueden aportar estas técnicas es el sector financiero. “La banca actualmente inmersa en los procesos de transformación digital tiene un enorme potencial en la aplicación de IA”, comenta.
Trías apunta diferentes experiencias llevadas a cabo por su equipo en distintas entidades donde las técnicas de Machine Learning (ML), de la familia de la IA, permiten trabajar con mayor número de variables y encontrar más interacciones, multiplicando el poder de predicción de los modelos que las usan frente a las técnicas estadísticas tradicionales. “Permiten mejorar la concesión de créditos, al captar los clientes con menor probabilidad de impago, ofreciendo un porcentaje de acierto que duplica el de las técnicas tradicionales, lo que se traduce en un impacto altamente positivo en los objetivos comerciales y de negocio”.
Además, para él, trabajar con estas metodologías aporta enormes ventajas en la detección del fraude o la recuperación de los impagados, pues “al ofrecer estos modelos una puntuación más granular, permiten gestionar grupos de clientes impagados homogéneos entre sí y muy diferentes a los otros, y definir estrategias diferenciadas para cada grupo, llegando incluso a determinar cuál es la mejor estrategia para cada uno de ellos”.
El presidente de AIS Group añade que, en el ámbito de la IA, la figura el experto es muy relevante. “Muchos creen que la inteligencia artificial aprende sola y es totalmente autónoma, pero es falso. La inteligencia artificial tiene limitaciones. Es como un niño que debe aprender y, como los niños, necesita unos padres que la acompañen, que le muestren nuevos casos, que eviten sobreajustes, que eviten sesgos. El papel del experto es fundamental, pues él es el que hará posible que la inteligencia artificial aporte verdadero valor.”
¿En qué ámbitos se pueden aplicar los Modelos de Machine Learning?
Irving Juárez, director de AIS para la región de México, Centroamérica y el Caribe, comenta que “desde hace un tiempo, es normal pensar en aplicaciones de IA para robustecer la gestión de riesgos, impulsar la estrategia comercial y de negocio, solventar necesidades en procesos, entre otros. En este contexto, las metodologías de Machine Learning se destacan por diferentes razones: las nuevas plataformas de Big Data son más compatibles con estos modelos; gracias a la evolución tecnológica, se logran tiempos de respuesta muy aceptables y, en algunos casos, se pueden manejar con software libre (open source); y finalmente porque los métodos convencionales utilizan pocas variables, lo que limita la predicción (anticipación)”.
Según el presidente de AIS Group, los resultados obtenidos en proyectos recientes revelan que el nivel de acierto en los modelos mejora entre un 25% y un 50% al usar algoritmos de Machine Learning frente a las técnicas tradicionales.
Luchando contra el efecto black box
De acuerdo a lo comentado por el directivo de AIS, el desafío más reciente ha sido la aplicación de las metodologías de Machine Learning dentro de instituciones financieras en ámbitos relacionados con la gestión del riesgo, afirma Juárez. “Pese a los excelentes niveles predictivos, estos algoritmos solían ser vistos como cajas negras, que no eran factibles de ser aprobadas por las áreas de riesgos, auditoría o contraloría, y mucho menos, por las entidades reguladoras. En AIS Group hemos implementado exitosamente modelos de Machine Learning en diversos ámbitos, gracias a una importante inversión en I+D, que permite a través de procesos y metodologías, documentar y transparentar su funcionamiento. Esto nos ha abierto las puertas para implementar estos modelos en el último tiempo dentro de ámbitos de riesgo y entidades muy importantes de España, México y Chile, entre otros países”.
¿Cómo es el desarrollo en México?
Juárez destaca que “muchas instituciones financieras de la localidad se encuentran trabajando en procesos de digitalización y ciberseguridad. En este marco, la implementación de modelos Machine Learning se tornará, en el corto plazo, en un factor estratégico para la competitividad. AIS Group es pionero en la implementación de dichos modelos en entidades financieras de primer nivel, aplicándolos en procesos para la detección temprana de alertas que permiten anticiparse al impago antes de que se produzca, lo que ofrece muchas más alternativas para buscar una solución adecuada que garantice la viabilidad del cliente (empresa) y el negocio de la entidad”.
El director de AIS en México destaca además que los modelos de Machine Learning permiten incorporar datos que hasta ahora no se estaban utilizando, o por lo menos, no en forma automatizada. Se trata de la información que se publica en redes sociales o en medios de comunicación sobre los clientes (empresas), que pueden ser indicadores tempranos muy potentes sobre futuros problemas que más adelante se pueden ver reflejados en el balance del cliente y, por tanto, en su comportamiento de pago.
De hecho -dice Juárez-, actualmente, estamos implementando en uno de los principales bancos en México, un proceso basado en una metodología de Machine Learning, que permita realizar el seguimiento oportuno al deterioro de la cartera crediticia, incorporando fuentes de información no convencionales (redes sociales o medios de comunicación), a fin de robustecer el análisis crediticio tradicional, y brindar indicadores y herramientas oportunas, dinámicas y eficientes que ayuden a fortalecer el monitoreo de los clientes y promover políticas y acciones al respecto”.