Ítem
Acceso Abierto
IA explicable en administración de riesgo de crédito
Título de la revista
Autores
Zamora Mahecha, Cristhian Camilo
Archivos
Fecha
2023-08-11
Directores
Fernández Barreto, Oscar Samuel
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
La adopción de métodos de inteligencia artificial (IA) en el sector financiero puede conducir a mejoras significativas en temas de experiencia de cliente, bancarización de poblaciones remotas, lucha contra el lavado de capitales, administración del riesgo de crédito, entre otros. Particularmente en el campo de riego de crédito, el principal objetivo es estimar probabilidades de incumplimiento lo más cercanas al incumplimiento observado en la realidad, este objetivo puede alcanzarse mediante la aplicación de algoritmos nuevos y potentes que logran mejorar las medidas de precisión con respecto a métodos más tradicionales. Sin embargo, estos algoritmos pierden transparencia y explicabilidad, por lo que generalmente son denominados como “cajas negras”, lo que significa que se conocen las entradas y salidas del algoritmo, pero es difícil de entender y explicar lo que hace el algoritmo en su interior. Dicha falta de inteligibilidad de los métodos es contraria a los requerimientos de los reguladores financieros, llevando a que exista un rezago en el campo respecto al estado del arte en IA. El propósito de este proyecto es motivar la adopción de métodos de IA en el campo de riego de crédito, mediante la aplicación de un modelo de XGBoost a un conjunto de datos, y la aplicación de un conjunto de metodologías que incluyen la aplicación de Shapeley Values, expectativa condicional individual, diagramas de dependencia parcial, extracción de reglas, entre otras. Estas metodologías se enmarcan en un esquema de preguntas correctamente formuladas que permiten explicar el funcionamiento del modelo a las partes interesadas.
Abstract
The adoption of artificial intelligence (AI) methods in the financial sector can lead to significant improvements in customer experience, banking of remote populations, the fight against money laundering, and credit risk management, among others. Particularly in the field of credit risk, the main objective is to estimate probabilities of default as close to the default observed in reality, this objective can be achieved through the application of new and powerful algorithms that manage to improve the precision measures with respect to traditional methods. However, these algorithms lose transparency and explainability, so they are generally referred to as “black boxes”, which means that the inputs and outputs of the algorithm are known, but it is difficult to understand and explain what the algorithm does inside. The lack of intelligibility of the methods is contrary to the requirements of financial regulators, leading to a lag in the field concerning the state of the art in AI. The purpose of this project is to motivate the adoption of AI methods in the field of credit risk, by applying an XGBoost model to a data set, and applying a set of methodologies that include the application of Shapeley Values, individual conditional expectation, partial dependency plots, rule extraction, among others. These methodologies are framed in a scheme of correctly formulated questions that allow explaining the operation of the model to the stakeholders.
Palabras clave
Inteligencia artificial , Riesgo de crédito , IA Explicable , IA especializada , Análisis predictivo , Aprendizaje automático , Técnicas de impulso , Probabilidad de incumplimiento
Keywords
Artificial intelligence , Credit risk , Explainable AI , Specialized AI , Predictive analysis , Machine learning , Boosting techniques , Interpretability , Probability of default
