Reducir los sesgos en la calificación crediticia con IA generativa

La calificación crediticia desempeña un papel fundamental para determinar quién puede acceder a créditos y con qué términos. Sin embargo, a pesar de su importancia, los sistemas tradicionales de calificación crediticia han estado plagados de una serie de problemas críticos, desde sesgos y discriminación, hasta una consideración limitada de los datos y desafíos de escalabilidad. Por ejemplo, un estudio de préstamos estadounidenses demostró que a los prestatarios provenientes de minorías se les cobraban tasas de interés más altas (más del 8 %) y rechazaban préstamos con más frecuencia (más del 14 %) que a los prestatarios de grupos más privilegiados.

La rigidez de los sistemas crediticios puede hacer que se adapten con lentitud a los cambios económicos y a la evolución de los comportamientos de los consumidores, dejando a algunas personas desatendidas y olvidadas. Para superar esto, los bancos y otros prestamistas buscan adoptar la inteligencia artificial para desarrollar modelos cada vez más sofisticados para puntuar el riesgo crediticio.

En este artículo, exploraremos los fundamentos de la calificación crediticia, los desafíos que presentan los sistemas actuales y profundizaremos en cómo se puede aprovechar la inteligencia artificial (IA), en particular, la IA generativa (genAI) para mitigar el sesgo y mejorar la precisión. Desde la incorporación de fuentes de datos alternativas hasta el desarrollo de modelos de aprendizaje automático (ML), descubriremos el potencial transformador de la IA para remodelar el futuro de la calificación crediticia.

¿Qué es la calificación crediticia?

La calificación crediticia es un aspecto integral del panorama financiero, que sirve como un indicador numérico de la solvencia de una persona. Los prestamistas emplean esta métrica vital para evaluar el riesgo potencial asociado con la concesión de créditos o préstamos a particulares o empresas.

Tradicionalmente, los bancos se basan en reglas predefinidas y modelos estadísticos que a menudo se construyen mediante regresión lineal o regresión logística. Los modelos se basan en datos crediticios históricos, con un enfoque en factores como el historial de pago, la utilización del crédito y la extensión del historial crediticio.

Sin embargo, evaluar a los nuevos solicitantes de crédito plantea un desafío, lo que lleva a la necesidad de crear perfiles más precisos. Para atender a los segmentos desatendidos o desatendidos y tradicionalmente discriminados, las fintech y los bancos digitales están incorporando cada vez más información más allá del historial crediticio tradicional con datos alternativos para crear una visión más completa del comportamiento financiero de una persona.

Desafíos de la calificación crediticia tradicional

Las calificaciones crediticias son parte integral de la vida moderna porque sirven como un determinante crucial en diversas transacciones financieras, incluida la obtención de préstamos, el alquiler de un departamento, la obtención de seguros y, a veces, hasta las evaluaciones de empleo. El afán por mejorar el crédito puede ser un recorrido laberíntico, estos son algunos de los desafíos o las limitaciones de los modelos tradicionales de calificación crediticia que a menudo nublan el camino hacia la aprobación de la solicitud de crédito.

• Historial de crédito limitado: Muchas personas, especialmente las que se inician en el mundo del crédito, se encuentran con un obstáculo importante, o sea, un historial crediticio limitado o inexistente. Los modelos tradicionales de calificación crediticia dependen en gran medida del comportamiento crediticio pasado, lo que dificulta que las personas sin un historial crediticio sólido demuestren su solvencia. Aproximadamente 45 millones de estadounidenses no tienen calificaciones crediticias simplemente porque esos puntos de datos no existen para ellos.

• Ingresos irregulares: Los ingresos irregulares, típicos de los trabajos a tiempo parcial o por cuenta propia, suponen un reto para los modelos tradicionales de calificación crediticia, ya que pueden etiquetar a las personas como de mayor riesgo y dar lugar a denegaciones de solicitudes o a límites de crédito restrictivos. En 2023 en los Estados Unidos, las fuentes de datos difieren en la cantidad de personas que trabajan por cuenta propia. Una fuente muestra que más de 27 millones de estadounidenses presentaron documentos fiscales del Anexo C, que cubren los ingresos o pérdidas netos de un negocio, lo que destaca la necesidad de diferentes métodos de calificación crediticia para los trabajadores por cuenta propia.

• Elevada utilización del crédito existente: La fuerte dependencia del crédito existente se percibe a menudo como una señal de tensión financiera potencial, lo que influye en las decisiones crediticias. Las solicitudes de crédito pueden ser rechazadas o aprobadas con condiciones menos favorables, lo que refleja la preocupación por la capacidad del solicitante para gestionar de manera sensata el crédito adicional.

• Falta de claridad en los motivos del rechazo: No comprender los motivos detrás de los rechazos impide que los solicitantes aborden las causas raíz; en el Reino Unido, un estudio realizado entre abril de 2022 y abril de 2023 mostró que los principales motivos de rechazo incluían “un historial crediticio deficiente” (38 %), “no poder pagar los pagos” (28 %), “tener demasiados créditos” (19 %) y el 10 % dijo que no les dijeron por qué. Las razones, incluso cuando se dan, suelen ser demasiado imprecisas, lo que deja a los solicitantes sin los conocimientos que necesitan para abordar la causa raíz y mejorar su solvencia para futuras solicitudes. La falta de transparencia no solo es un problema para los clientes, sino que también puede suponer una sanción para los bancos. Por ejemplo, un banco de Berlín fue multado con €300 000 en 2023 por falta de transparencia a la hora de rechazar una solicitud de tarjeta de crédito.

• Falta de flexibilidad: Los cambios en el comportamiento de los consumidores, especialmente entre las generaciones más jóvenes que prefieren las transacciones digitales, desafían los modelos tradicionales. Factores como el aumento de la economía del trabajo a corto plazo, el empleo no tradicional, la deuda de préstamos estudiantiles y los altos costos de vida complican la evaluación de la estabilidad de los ingresos y la salud financiera. Las predicciones tradicionales de riesgo crediticio se limitan durante disrupciones sin precedentes como la pandemia de COVID-19, sin tener en cuenta esto en los modelos de puntuación.

Reconocer estos desafíos destaca la necesidad de modelos alternativos de calificación crediticia que puedan adaptarse a comportamientos financieros en evolución, manejar fuentes de datos no tradicionales y proporcionar una evaluación más inclusiva y precisa de la solvencia crediticia en el panorama financiero dinámico actual.

Calificación crediticia con datos alternativos

La calificación crediticia alternativa se refiere al uso de fuentes de datos no tradicionales (también conocidas como datos alternativos) y métodos para evaluar la solvencia de una persona. Si bien la calificación crediticia tradicional depende en gran medida del historial crediticio de las principales agencias de crédito, la calificación crediticia alternativa incorpora una gama más amplia de factores para crear una imagen más completa del comportamiento financiero de una persona. A continuación, se muestran algunas de las fuentes de datos alternativas más populares:

• Pagos de servicios públicos: Más allá del historial crediticio, los pagos consistentes de servicios públicos como la electricidad y el agua ofrecen un poderoso indicador de responsabilidad financiera y revelan un compromiso con el cumplimiento de las obligaciones financieras, lo que proporciona información crucial más allá de las métricas tradicionales.

• Historial de alquiler: Para aquellos que no tienen una hipoteca, el historial de pagos de alquiler surge como una fuente de datos alternativa clave. Demostrar pagos de alquiler consistentes y oportunos ofrece una imagen integral de disciplina y confiabilidad financiera.

• Patrones de uso de teléfonos móviles: La ubicuidad de los teléfonos móviles desbloquea una gran cantidad de datos alternativos. El análisis de los patrones de llamadas y mensajes de texto permite conocer la red de contactos, la estabilidad y las conexiones sociales de una persona, lo que aporta información valiosa para la evaluación crediticia.

• Comportamiento de compra en línea: Examinar la frecuencia de compra, el tipo de compras y la cantidad gastada en compras en línea ofrece información valiosa sobre los comportamientos de gasto, lo que contribuye a una comprensión más matizada de los hábitos financieros.

• Historial educativo y laboral: La calificación crediticia alternativa tiene en cuenta el historial educativo y laboral de una persona. Los indicadores positivos, como los logros educativos y el empleo estable, desempeñan un papel crucial en la evaluación de la estabilidad financiera.

Estas fuentes de datos alternativas representan un cambio hacia un enfoque más inclusivo, matizado y holístico de las evaluaciones crediticias. A medida que la tecnología financiera continúa avanzando, aprovechar estos conjuntos de datos alternativos garantiza una evaluación más completa de la solvencia, marcando un paso transformador en la evolución de los modelos de calificación crediticia.

Calificación crediticia alternativa con inteligencia artificial

Además del uso de datos alternativos, el uso de la IA como método alternativo ha surgido como una fuerza transformadora para abordar los desafíos de la calificación crediticia tradicional por varias razones:

• Capacidad para mitigar el sesgo: Al igual que los modelos estadísticos tradicionales, los modelos de IA, incluidos los LLM, entrenados con datos históricos sesgados heredarán los sesgos presentes en esos datos, lo que conducirá a resultados discriminatorios. Los LLM pueden enfocarse en ciertas características más que otras o pueden carecer de la capacidad de comprender el contexto más amplio de la situación financiera de un individuo, lo que lleva a una toma de decisiones sesgada. Sin embargo, existen varias técnicas para mitigar el sesgo de los modelos de IA:
• Estrategias de mitigación: Las iniciativas comienzan con el uso de datos de capacitación diversos y representativos para evitar reforzar los sesgos existentes. Las estrategias de mitigación inadecuadas o ineficaces pueden dar como resultado resultados sesgados que persisten en los modelos de calificación crediticia de IA. Prestar atención a los datos recopilados y al desarrollo del modelo es crucial para mitigar este sesgo. La incorporación de datos alternativos para la calificación crediticia desempeña un papel fundamental en la reducción de los sesgos.
• Las herramientas rigurosas de detección de sesgos, las restricciones de imparcialidad y las técnicas de regularización durante el entrenamiento mejoran la responsabilidad del modelo: Equilibrar la representación de características y emplear técnicas de posprocesamiento y algoritmos especializados contribuyen a la mitigación del sesgo. La evaluación inclusiva de modelos, el monitoreo continuo y la mejora iterativa, junto con el cumplimiento de pautas éticas y prácticas de gobernanza, completan un enfoque multifacético para reducir el sesgo en los modelos de IA. Esto es particularmente significativo para abordar las preocupaciones relacionadas con sesgos demográficos o socioeconómicos que pueden estar presentes en los datos crediticios históricos.
• Auditorías periódicas de sesgos: Realice auditorías periódicas para identificar y mitigar los sesgos en los LLM. Esto puede implicar analizar los resultados del modelo para detectar disparidades entre grupos demográficos y ajustar los algoritmos en consecuencia.
• Transparencia y capacidad de explicación: Aumentar la transparencia y la capacidad de explicación en los LLM para entender cómo se toman las decisiones. Esto puede ayudar a identificar y abordar procesos de toma de decisiones sesgados. Trade Ledger, una herramienta de software como servicio (SaaS) para préstamos, utiliza un enfoque basado en los datos para tomar decisiones informadas con mayor transparencia y trazabilidad al reunir datos de múltiples fuentes con diferentes esquemas en una única fuente de datos.
• Capacidad para analizar conjuntos de datos amplios y diversos: A diferencia de los modelos tradicionales que se basan en reglas predefinidas y datos crediticios históricos, los modelos de IA pueden procesar una infinidad de información, incluidas las fuentes de datos no tradicionales, para crear una evaluación más completa de la solvencia de una persona, lo que garantiza que se tenga en cuenta una gama más amplia de comportamientos financieros.
• La IA aporta una adaptabilidad sin precedentes: A medida que cambian las condiciones económicas y evolucionan los comportamientos de los consumidores, los modelos impulsados por IA pueden ajustarse rápidamente y aprender de los nuevos datos. El aspecto de aprendizaje continuo garantiza que la calificación crediticia siga siendo pertinente y eficaz ante los constantes cambios del panorama financiero.

Las objeciones más comunes de los bancos a no utilizar la IA en la calificación crediticia son la transparencia y la capacidad de explicación en las decisiones crediticias. La complejidad inherente de algunos modelos de IA, especialmente los algoritmos de aprendizaje profundo, puede generar desafíos para brindar explicaciones claras para las decisiones con respecto a los créditos. Afortunadamente, la transparencia y la interpretabilidad de los modelos de IA han experimentado avances significativos. Técnicas como los valores SHapley Additive exPlanations (SHAP) y los gráficos Local Interpretable Model-Agnostic Explanations (LIME), así como otros avances en el ámbito de la IA explicable (XAI), nos permiten ahora comprender cómo llega el modelo a decisiones crediticias concretas. Esto no solo mejora la confianza en el proceso de puntuación crediticia, sino que también aborda la crítica común de que los modelos de IA son “cajas negras”.

Al comprender la importancia de aprovechar los datos alternativos que a menudo vienen en un formato semiestructurado o no estructurado, las instituciones financieras trabajan con MongoDB para mejorar sus procesos de solicitud de crédito con una forma más rápida, simple y flexible de hacer pagos y ofrecer crédito:

• Amar Bank, el principal banco digital de Indonesia, está combatiendo el sesgo al proporcionar micropréstamos a personas que no podrían obtener servicios financieros de los bancos tradicionales (no bancarizados y desatendidos). Los procesos tradicionales de suscripción eran inadecuados para los clientes que carecían de historial crediticio o garantías, por lo que optimizó las decisiones de préstamo al aprovechar los datos no estructurados. Con MongoDB Atlas, desarrollaron un modelo de análisis predictivo que integra datos estructurados y no estructurados para evaluar la solvencia de los prestatarios. La escalabilidad y la capacidad de MongoDB para administrar diversos tipos de datos fueron fundamentales para expandir y optimizar sus operaciones de préstamo.

• Para la gran mayoría de los indios, obtener crédito suele ser un desafío debido a las estrictas regulaciones y la falta de datos crediticios. Mediante el uso de sistemas de suscripción modernos, Slice, un innovador líder en el ecosistema fintech de la India, está ayudando a ampliar la accesibilidad al crédito en la India al simplificar su proceso KYC para dar una experiencia crediticia más fluida. Al utilizar MongoDB Atlas en diferentes casos de uso, incluso como almacén de funciones de ML en tiempo real, slice transformó su proceso de incorporación, reduciendo los tiempos de procesamiento a menos de un minuto. slice utiliza el almacén de características en tiempo real con MongoDB y modelos ML para calcular más de 100 variables al instante, lo que permite determinar la elegibilidad crediticia en menos de 30 segundos.

Transformar la calificación crediticia con IA generativa

Además del uso de datos alternativos y la IA en la calificación crediticia, la IA generativa tiene el potencial de revolucionar la calificación y la evaluación crediticia con su capacidad para crear datos sintéticos y comprender patrones intrincados, lo que ofrece un enfoque más matizado, adaptativo y predictivo.

La capacidad de la IA generativa para sintetizar diversos conjuntos de datos aborda una de las limitaciones clave de la calificación crediticia tradicional: la dependencia de los datos crediticios históricos. Al crear datos sintéticos que reflejan los comportamientos financieros del mundo real, los modelos de IA generativa permiten una evaluación más inclusiva de la solvencia. Este cambio transformador promueve la inclusión financiera y abre puertas a un sector demográfico más amplio para que accedan a oportunidades de crédito.

La adaptabilidad desempeña un papel crucial a la hora de navegar por la naturaleza dinámica de las condiciones económicas y los cambios en los comportamientos de los consumidores. A diferencia de los modelos tradicionales, que tienen dificultades para adaptarse a las interrupciones imprevistas, la capacidad de la IA generativa para aprender y adaptarse continuamente garantiza que la calificación crediticia siga siendo efectiva en tiempo real, ofreciendo una herramienta más resistente y receptiva para evaluar el riesgo crediticio. Además de su capacidad predictiva, la IA generativa puede contribuir a la transparencia y la capacidad de interpretación en la calificación crediticia. Los modelos pueden generar explicaciones para sus decisiones, proporcionando información más clara sobre las evaluaciones crediticias y mejorando la confianza entre los consumidores, los reguladores y las instituciones financieras.

Sin embargo, una preocupación clave al hacer uso de la IA generativa es el problema de la alucinación, donde el modelo puede presentar información que no tiene sentido o es completamente falsa. Existen varias técnicas para mitigar este riesgo y una de ellas es el uso de la Generación de Aumento de Recuperación (RAG). El RAG minimiza las alucinaciones basando las respuestas del modelo en información objetiva procedente de fuentes actualizadas, lo que garantiza que las respuestas del modelo reflejen la información más actual y precisa disponible.

Por ejemplo, Patronus AI aprovecha RAG con MongoDB Atlas para permitir a los ingenieros calificar y comparar el rendimiento de los modelos de lenguaje grande (LLM) en escenarios del mundo real, generar casos de prueba adversariales a escala y monitorear las alucinaciones y otros comportamientos inesperados e inseguros. Esto puede ayudar a detectar errores de LLM a escala e implementar productos de IA de forma segura y confiable.

Otro socio tecnológico de MongoDB es Robust Intelligence. El firewall de IA de la empresa protege los LLM en producción validando las entradas y salidas en tiempo real. Evalúa y mitiga los riesgos operativos, como las alucinaciones, los riesgos éticos, incluidos el sesgo del modelo y los resultados tóxicos, y los riesgos de seguridad, como las inyecciones rápidas y las extracciones de información personal identificable (PII).

A medida que la IA generativa continúa madurando, su integración en la calificación crediticia y en los sistemas de solicitud de crédito más amplios promete no solo un avance tecnológico, sino una transformación fundamental en la forma en que evaluamos y otorgamos crédito.

Un momento crucial en la historia del crédito

La convergencia de datos alternativos, inteligencia artificial e IA generativa está remodelando los cimientos de la calificación crediticia, marcando un momento crucial en la industria financiera. Los desafíos de los modelos tradicionales se están superando a través de la adopción de métodos alternativos de calificación crediticia, ofreciendo una evaluación más inclusiva y matizada. La IA generativa, si bien presenta el desafío potencial de la alucinación, representa la vanguardia de la innovación, no solo revolucionando las capacidades tecnológicas, sino redefiniendo fundamentalmente la forma en que se evalúa el crédito, fomentando una nueva era de inclusión, eficiencia y equidad financiera.