Denominada AIS Master es una herramienta que ofrece a las entidades financieras la posibilidad de beneficiarse del mayor poder predictivo de los modelos Machine Learning en cuanto a determinar la probabilidad de impago y cumplir a la vez con los requisitos de transparencia y auditabilidad del regulador.
La Inteligencia Artificial está tomando posiciones a nivel internacional en todos los sectores y en Colombia el financiero es uno de los abanderados. Muchos de los desarrollos en este segmento se centran en técnicas de aprendizaje automático o Machine Learning, principalmente por los innegables beneficios derivados de su mayor capacidad de predicción. Esto favorece un mayor acierto en dictaminar la probabilidad de impago y discernir a quién conceder un crédito con mayor seguridad.
Sin embargo, pese a su alto poder de predicción, los modelos basados en técnicas Machine Learning encuentran algunas barreras de entrada en los entornos regulados, como son las áreas de concesión de créditos en entidades financieras, principalmente por la sensación de caja negra que envuelve a esta tecnología. Se ve clara su mayor eficiencia, pero es difícil comprender qué peso asigna el modelo a cada variable y cómo alcanza realmente sus decisiones.
Para resolver esta falta de transparencia y simplificar su utilización por parte de entidades financieras, la consultora AIS Group ha lanzado AIS Master, una herramienta diseñada específicamente para facilitar, potenciar y transparentar la gestión de modelos Machine Learning.
David Fernández, director comercial regional de AIS Group, en su presentación de AIS Master en Colombia ha descrito el objetivo de la herramienta como “sacar a los modelos Machine Learning del lado oscuro”, en una alusión a las películas de la saga Star Wars.
Para llevarlo a cabo AIS Master aporta la luz y ayuda en cuatro ejes clave. En primer lugar, a comprender los datos (análisis exploratorio). En segundo, a construir un modelo teniendo en cuenta los factores claves para obtener el mayor rendimiento. Posteriormente, a traducir el modelo construido a partir de esos datos, haciendo que sea viable su implementación en riesgos. Y por último, a utilizar el máximo potencial de la metodología, aprovechando las ventajas del aprendizaje automático, pero haciéndolo de una manera segura que garantiza la coherencia lógica del modelo, aspecto clave en la gestión del riesgo.
Comprender los datos
Un modelo machine learning aprende de los datos que maneja. “Si la información no es coherente, el modelo extraerá conclusiones incorrectas, algo inaceptable cuando sus resultados afectan decisiones como la concesión de créditos”, ha dicho Fernández. AIS Master facilita este análisis exploratorio de los datos y genera automáticamente la documentación del análisis de las variables, llegando a reducir radicalmente el tiempo empleado “de 3 semanas a 1 hora en modelos de 1.000 variables, por ejemplo”, ha matizado el experto de AIS.
Construir el modelo
La construcción de un modelo Machine Learning no se parece a la de un modelo tradicional. Se deben tener en cuenta ciertos factores relevantes para “guiar” al algoritmo a que aprenda de la forma deseada y según los objetivos que persiga la institución.
La herramienta contiene funcionalidades que facilitan la construcción del primer modelo, orientando al analista en la definición de aspectos claves para el desarrollo de un modelo de calidad. Este módulo ayuda a “definirle el terreno de juego al modelo, estableciendo parámetros relevantes para que los resultados sean los deseados”, ha comentado Fernández.
Traducir el modelo
Una vez construido el modelo, AIS Master permite entenderlo y transparentarlo. Saber qué impacto tiene cada variable en el resultado final y cuál es su tendencia. Esto es imprescindible para discernir los criterios detrás de la decisión y es especialmente relevante en los modelos que están sujetos a la supervisión, ya que los reguladores exigen que esto esté documentado. AIS Master traduce los modelos y permite documentarlos de manera automática, desterrando la “caja negra” que solían ser y ampliando así sus posibilidades de implementación en entidades financieras.
Aprendizaje Automático
La herramienta presentada por AIS Group al mercado colombiano ayuda además a controlar el proceso de aprendizaje automático de los modelos Machine Learning. “Periódicamente y a medida que se va nutriendo de nuevos datos, genera nuevos modelos que compara con el modelo en producción de la entidad”, ha explicado Fernández.
La herramienta dispone de alertas de autoaprendizaje que, a la vista de los resultados comparativos, puede recomendar la sustitución del modelo en producción por el modelo candidato. Según los expertos de AIS, en el ámbito de la gestión de Riesgos es recomendable realizar este análisis de comportamiento y actualización cada 6 meses, al tratarse de un área donde la estabilidad del modelo es muy relevante. En cambio, en áreas como la valoración automática de inmuebles, donde el entorno es mucho más cambiante, para obtener resultados óptimos, es conveniente ajustarlo más a menudo.
AIS Master es la llave para masificar los modelos Machine Learning. Es un antes y un después para instituciones financieras, ha aseverado el ejecutivo. A partir de su implementación pasarán de tener que seguir un proceso complejo para construir los modelos Machine Learning, a poder hacerlo teniendo en cuenta mejores prácticas y contemplando factores claves de éxito. De no poder explicar cómo funcionan, pasarán a realizar análisis detallados y a generar documentación automáticamente. De estar semanas o meses reestimando modelos, podrán generar aprendizaje automático haciendo un click, pero con herramientas que permiten asegurar la coherencia lógica del modelo.
“Transparentar los modelos Machine Learning, nos abrió las puertas a implementar esta tecnología dentro del ámbito de Riesgos, en instituciones financieras relevantes de España, Marruecos, Chile, Argentina y Colombia, obteniendo resultados reales de muy alto impacto”, ha admitido el director comercial de AIS para la región.
El cambio no es una mera cuestión tecnológica, sino de negocio. “Mostramos que es posible aumentar ingresos, disminuir la mora y reducir costos a través de la implementación de Machine Learning y que ya no hace falta creer en cajas negras. Ahora, ya depende de cada institución aprovechar estas ventajas, o quedarse a ver como sus competidores toman la delantera en este mundo digital”, ha concluido Fernández.