Machine Learning aumenta más de 50% el acierto de modelos de riesgo de la banca
Permiten realizar un mejor seguimiento de las carteras y detectar, con mayor antelación, señales de un posible impago antes de que se produzca, evitando un cambio en el estado de las operaciones, que puede obligar a aumentar el nivel de reservas.
“Las técnicas de Machine Learning aportan un mayor poder de predicción en los modelos de riesgo de crédito de la banca”, afirmó Sergio Lloret, gerente de cuentas de la consultora AIS Group, en el último Congreso Nacional de Crédito de España.
Según Lloret, los resultados obtenidos en proyectos recientes revelan que el nivel de acierto en los modelos de concesión y seguimiento del riesgo de crédito mejoran entre un 25% y un 50% al usar algoritmos de machine learning frente a las técnicas tradicionales. Estos resultados quedan reflejados en el Índice Gini, la medida de exactitud más utilizada en este campo, “que –señala Lloret- pasa del 50% o 60% a situarse en rangos superiores al 90%, lo que es un porcentaje de acierto altísimo”.
Aplicar algoritmos y técnicas de Inteligencia Artificial y de Machine Learning a los modelos de riesgo multiplica la capacidad de acierto y permite que estos modelos, importantísimos para la banca porque gestionan la captación de negocio, se ajusten a los “niveles de riesgo” que defina cada entidad. Estas técnicas permiten además realizar un seguimiento de las carteras y detectar, con mayor antelación, señales de un posible impago antes de que se produzca, “lo que es especialmente útil –afirmó el presidente de AIS Group- en el nuevo marco que impone la normativa IFRS 9 (NIIC 9 con las siglas en español), pues un cambio en el estado de las operaciones puede impactar negativamente en la cuenta de resultados, al provocar un la obligación de aumentar el nivel de reservas”.
Malware inteligente
El economista y presidente de AIS Group, Ramon Trias, destaca también que más allá de los modelos de riesgo, “la inteligencia artificial es clave en otro aspecto muy relevante para la banca y para todos los sectores en general: la ciberseguridad. Cada vez el malware es más avanzado e, incluso, utiliza técnicas de IA. Ya no se limita a tumbar los sistemas de las compañías a las que afecta. Ahora hay otro tipo de ataques más elaborados y organizados: robos de información progresivos, ataques masivos y automatizados con bots, encriptaciones de información, suplantaciones de identidad de usuarios, etc. Es preciso recurrir a sistemas muy avanzados para poder detectar y frenar estas prácticas de malware inteligente antes de que sea demasiado tarde”.
¿Por qué ahora?
Ramon Trias recuerda que la inteligencia artificial y las técnicas de machine learning existen desde hace décadas “en AIS hace más de 30 años que generamos valor a las empresas con ellas, pero ahora están viviendo una nueva explosión”. Un fenómeno derivado de la suma de varios factores. Por un lado, los avances en hardware y software han logrado que la velocidad de cómputo de los ordenadores se haya multiplicado “los ordenadores de hace 30 años –dijo- eran 500.000 veces más lentos que hoy. Esto quiere decir que un cómputo que antes tardaba 4 meses, ahora está listo en apenas 20 segundos, que es un tiempo industrial”. Por otro lado, la eclosión del Big Data permite trabajar con más variables, lo que contribuye a mejorar ese poder de predicción. “Eso sí –concluyó Trías- disponer de más información no quiere decir usarla toda, hay que saber dirimir qué variables son las más relevantes y realmente aportan valor al algoritmo. La inteligencia artificial es una gran ayuda, pero el papel del experto sigue siendo clave para dirigir el trabajo y constante aprendizaje de estos avanzados sistemas, pues como todo, tiene sus limitaciones”.
