Ítem
Acceso Abierto

IA explicable en administración de riesgo de crédito

Mostrar el registro sencillo de la publicación
dc.contributor.advisorFernández Barreto, Oscar Samuel
dc.creatorZamora Mahecha, Cristhian Camilo
dc.creator.degreeMagíster en Matemáticas Aplicadas y Ciencias de la Computación
dc.creator.degreetypeFull time
dc.date.accessioned2023-09-13T13:18:09Z
dc.date.available2023-09-13T13:18:09Z
dc.date.created2023-08-11
dc.descriptionLa 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.
dc.description.abstractThe 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.
dc.format.extent50 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_40956
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/40956
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnologíaspa
dc.publisher.programMaestría en Matemáticas Aplicadas y Ciencias de la Computaciónspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationB. S. Caffo, F. A. D’Asaro, A. Garcez, y E. Raffinetti, «Editorial: Explainable artificial intelligence models and methods in finance and healthcare», Front. Artif. Intell., vol. 5, p. 970246, ago. 2022, doi: 10.3389/frai.2022.970246.
dc.source.bibliographicCitationM. T. Ribeiro, S. Singh, y C. Guestrin, «“Why Should I Trust You?”: Explaining the Predictions of Any Classifier». arXiv, 9 de agosto de 2016. Accedido: 4 de septiembre de 2022. [En línea]. Disponible en: http://arxiv.org/abs/1602.04938
dc.source.bibliographicCitationL. Edwards y M. Veale, «Slave to the Algorithm? Why a “right to an explanation” is probably not the remedy you are looking for», LawArXiv, preprint, nov. 2017. doi: 10.31228/osf.io/97upg.
dc.source.bibliographicCitation«Study: Big Data meets artificial intelligence», BaFin. https://www.bafin.de/SharedDocs/Downloads/EN/dl_bdai_studie_en.html (accedido 19 de noviembre de 2022).
dc.source.bibliographicCitationP. Gohel, P. Singh, y M. Mohanty, «Explainable AI: current status and future directions». arXiv, 12 de julio de 2021. Accedido: 10 de septiembre de 2022. [En línea]. Disponible en: http://arxiv.org/abs/2107.07045
dc.source.bibliographicCitationV. Turri, «What is Explainable AI?», SEI Blog. https://insights.sei.cmu.edu/blog/what-is-explainable-ai/ (accedido 19 de noviembre de 2022).
dc.source.bibliographicCitationT. Miller, «Explanation in Artificial Intelligence: Insights from the Social Sciences». arXiv, 14 de agosto de 2018. Accedido: 4 de septiembre de 2022. [En línea]. Disponible en: http://arxiv.org/abs/1706.07269
dc.source.bibliographicCitationB. H. Misheva, J. Osterrieder, A. Hirsa, O. Kulkarni, y S. F. Lin, «Explainable AI in Credit Risk Management». arXiv, 1 de marzo de 2021. Accedido: 8 de agosto de 2022. [En línea]. Disponible en: http://arxiv.org/abs/2103.00949
dc.source.bibliographicCitationH. Kvamme, N. Sellereite, K. Aas, y S. Sjursen, «Predicting mortgage default using convolutional neural networks», Expert Syst. Appl., vol. 102, pp. 207-217, jul. 2018, doi: 10.1016/j.eswa.2018.02.029.
dc.source.bibliographicCitationT. Chen y C. Guestrin, «XGBoost: A Scalable Tree Boosting System», en Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ago. 2016, pp. 785-794. doi: 10.1145/2939672.2939785.
dc.source.bibliographicCitationA. Gramegna y P. Giudici, «SHAP and LIME: An Evaluation of Discriminative Power in Credit Risk», Front. Artif. Intell., vol. 4, p. 752558, sep. 2021, doi: 10.3389/frai.2021.752558.
dc.source.bibliographicCitationN. Bussmann, P. Giudici, D. Marinelli, y J. Papenbrock, «Explainable Machine Learning in Credit Risk Management», Comput. Econ., vol. 57, n.o 1, pp. 203-216, ene. 2021, doi: 10.1007/s10614-020-10042-0.
dc.source.bibliographicCitationP. Giudici y E. Raffinetti, «Shapley-Lorenz eXplainable Artificial Intelligence», Expert Syst. Appl., vol. 167, p. 114104, abr. 2021, doi: 10.1016/j.eswa.2020.114104.
dc.source.bibliographicCitationC. Molnar, Interpretable Machine Learning. Accedido: 19 de noviembre de 2022. [En línea]. Disponible en: https://christophm.github.io/interpretable-ml-book/index.html
dc.source.bibliographicCitationY. Zhou y M. Kantarcioglu, «On Transparency of Machine Learning Models: A Position Paper», p. 5.
dc.source.bibliographicCitationV. Belle y I. Papantonis, «Principles and Practice of Explainable Machine Learning», Front. Big Data, vol. 4, p. 688969, jul. 2021, doi: 10.3389/fdata.2021.688969.
dc.source.bibliographicCitationA. Barredo Arrieta et al., «Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI», Inf. Fusion, vol. 58, pp. 82-115, jun. 2020, doi: 10.1016/j.inffus.2019.12.012.
dc.source.bibliographicCitationZ. C. Lipton, «The Mythos of Model Interpretability». arXiv, 6 de marzo de 2017. Accedido: 2 de octubre de 2022. [En línea]. Disponible en: http://arxiv.org/abs/1606.03490
dc.source.bibliographicCitationJ. H. Friedman, «Greedy function approximation: A gradient boosting machine.», Ann. Stat., vol. 29, n.o 5, oct. 2001, doi: 10.1214/aos/1013203451.
dc.source.bibliographicCitationA. Goldstein, A. Kapelner, J. Bleich, y E. Pitkin, «Peeking Inside the Black Box: Visualizing Statistical Learning With Plots of Individual Conditional Expectation», J. Comput. Graph. Stat., vol. 24, n.o 1, pp. 44-65, ene. 2015, doi: 10.1080/10618600.2014.907095.
dc.source.bibliographicCitationashutosh nayak, «Idea Behind LIME and SHAP», Medium, 22 de diciembre de 2019. https://towardsdatascience.com/idea-behind-lime-and-shap-b603d35d34eb (accedido 3 de noviembre de 2022).
dc.source.bibliographicCitationL. Breiman, «Random Forests», Mach. Learn., vol. 45, n.o 1, pp. 5-32, oct. 2001, doi: 10.1023/A:1010933404324.
dc.source.bibliographicCitationG. Tolomei, F. Silvestri, A. Haines, y M. Lalmas, «Interpretable Predictions of Tree-based Ensembles via Actionable Feature Tweaking», en Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ago. 2017, pp. 465-474. doi: 10.1145/3097983.3098039.
dc.source.bibliographicCitationM. T. Ribeiro, S. Singh, y C. Guestrin, «Anchors: High-Precision Model-Agnostic Explanations», Proc. AAAI Conf. Artif. Intell., vol. 32, n.o 1, abr. 2018, doi: 10.1609/aaai.v32i1.11491.
dc.source.bibliographicCitation«American Express - Default Prediction». https://kaggle.com/competitions/amex-default-prediction (accedido 6 de noviembre de 2022).
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectInteligencia artificial
dc.subjectRiesgo de crédito
dc.subjectIA Explicable
dc.subjectIA especializada
dc.subjectAnálisis predictivo
dc.subjectAprendizaje automático
dc.subjectTécnicas de impulso
dc.subjectProbabilidad de incumplimiento
dc.subject.keywordArtificial intelligence
dc.subject.keywordCredit risk
dc.subject.keywordExplainable AI
dc.subject.keywordSpecialized AI
dc.subject.keywordPredictive analysis
dc.subject.keywordMachine learning
dc.subject.keywordBoosting techniques
dc.subject.keywordInterpretability
dc.subject.keywordProbability of default
dc.titleIA explicable en administración de riesgo de crédito
dc.title.TranslatedTitleExplainable AI in credit risk management
dc.typebachelorThesis
dc.type.documentTrabajo de grado
dc.type.spaTrabajo de grado
local.department.reportEscuela de Ciencias e Ingeniería
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
IA-Explicable-administracion- riesgo-credito.pdf
Tamaño:
1.25 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Matemáticas Aplicadas y Ciencias de la Computación