Aumento de 50% los niveles de acierto
En el sector financiero, el otorgamiento de créditos, la detección de fraudes, así como la recuperación de cartera vencida son sólo algunas de las áreas que pueden mejorar de manera significativa al implementar técnicas de Machine Learning (ML), una rama de la Inteligencia Artificial (IA).
«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 financiero. La banca actualmente inmersa en los procesos de transformación digital tiene un enorme potencial en la aplicación de esta tecnología», comentó Ramón Trías, presidente de AIS Group.
Al ser aplicadas las técnicas de ML es posible otorgar créditos a clientes que sí cumplen con los pagos, pues trabajar con un mayor número de variables conlleva encontrar más interacciones; además, el porcentaje de acierto duplica el de las técnicas tradicionales, esto se refleja en un impacto positivo en los objetivos comerciales y de negocio en la banca.
Los resultados obtenidos en proyectos recientes donde fue implementado el ML revelaron que el nivel de acierto en los modelos mejora entre 25 y 50 por ciento al usar los algoritmos de esta tecnología frente a las técnicas tradicionales, destacó el directivo de la empresa de consultoría estratégica, financiera y tecnológica.
Respecto a la detección de fraude y recuperación de cartera vencida, aplicar técnicas de ML permite una gestión más efectiva de los clientes que incumplen sus pagos, así como definir estrategias para los grupos de usuarios, ofreciendo más alternativas para buscar una solución adecuada que garantice la viabilidad del cliente y el negocio de la entidad financiera.
En cuanto a la gestión del riesgo, aplicar metodologías del también llamado Aprendizaje Automático dentro de instituciones financieras ha sido un desafío, pues estos algoritmos solían ser vistos como cajas negras, no eran factibles de ser aprobados por las áreas de riesgo, auditoría o contraloría, y mucho menos, por las entidades reguladoras, comentó Irving Juárez, director de AIS para la región de México, Centroamérica y el Caribe.
“Hemos implementado exitosamente modelos de ML en diversos ámbitos, gracias a una importante inversión en Investigación y Desarrollo, 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”.
Asimismo, el directivo agregó que debido a la evolución tecnológica las nuevas plataformas de Big Data son más compatibles con el ML, además las metodologías tienen tiempos de respuesta muy aceptables y en ciertos casos se pueden manejar con software libre (open source).
En el contexto de los datos, la información publicada en redes sociales y otros medios de comunicación de los clientes y empresas, ya puede ser aprovechada gracias a los modelos del ML con el fin de robustecer el análisis crediticio tradicional, brindando indicadores y herramientas oportunas que ayuden a tener un mejor seguimiento de los clientes así como a promover políticas y acciones.
Lo anterior para las instituciones financieras pueden ser indicadores tempranos muy potentes sobre futuros problemas que en un futuro cercano se pueden ver reflejados en el balance del cliente y, por tanto, en su comportamiento de pago; dicha tecnología se aplicó en México dentro de un importante banco.
Con relación a las limitantes que puede presentar la IA y por consiguiente el Machine Learning se encuentra que ésta no es totalmente autónoma, es decir, no aprende sola, necesita de un experto que la guíe.
“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 y sesgos. El papel del experto es fundamental, pues él es quien hará posible que la inteligencia artificial aporte verdadero valor”.
C$T-GM
