Fundamentos del Scoring Crediticio

• Diferencias entre los métodos tradicionales y los basados en IA.

Introducción a la Inteligencia Artificial

• Conceptos básicos de IA y Machine Learning (ML).
• Ejemplos de aplicaciones de IA en finanzas.

Recopilación y Preparación de Datos

• Importancia de los datos para el scoring crediticio.
• Fuentes de datos: tradicionales y alternativas.
• Limpieza y preprocesamiento de datos.

Selección de Modelos de IA

• Modelos de ML para scoring crediticio: regresión logística, árboles de decisión, ensambles, redes neuronales.
• Métricas para evaluar la solución: precisión, recall, valor AUC.

Entrenamiento y Validación de Modelos

• Técnicas de entrenamiento y validación: cross-validation, overfitting y underfitting.

Implementación y Monitoreo

• Despliegue de modelos en producción.
• Monitoreo del rendimiento y ajustes periódicos.
• Retroalimentación y aprendizaje continuo.

Ética en IA para Scoring Crediticio

• Sesgos y discriminación: identificación y mitigación.
• Transparencia y explicabilidad de los modelos.

Regulaciones y Cumplimiento

• Normativas relevantes: GDPR, LFPDPPP, entre otras.
• Cumplimiento regulatorio en el uso de IA para scoring crediticio.

Espacio abierto para preguntas y discusión con los participantes.