Machine learning y el futuro de las apps bancarias

Al crear el “Machine learning” se buscó que una variedad de técnicas permitieran a los sistemas aprender de manera metódica y automática a partir de ser alimentados por una serie de datos. Este conjunto de procedimientos detecta automáticamente patrones en la información que se les proporciona para predecir futuros datos o proporcionar patrones delante de condiciones de incertidumbre. Así, ante posibles escenarios, se pueden tomar mejores decisiones.

Una de las fórmulas del “Machine learning” expuesta por Tom M. Mitchell dice que un programa aprende de la experiencia E con respecto a la tarea T y una medida de rendimiento P, si el rendimiento en T medido por P mejora con E. En conjunto con la Inteligencia Artificial (IA), se crea un “aprendizaje profundo” (Deep Learning o DL) que trata a las actividades automáticas de adquisición de conocimiento por medio del uso de máquinas que utilizan varios niveles para la extracción de datos.

La explicación de Mitchell es una de tantas de cómo los sistemas computarizados o la IA proporcionan el conocimiento a los que toman decisiones. Para los bancos, el “Machine learning” es un tema de mucho interés porque las entidades bancarias generan un número muy alto de información. El “big data” bancario es utilizado bajo principios de informática, matemáticas y estadística desarrollándose en tres módulos:

  1. Proceso de captura y manipulación de datos. La enorme cantidad de información que hay que manipular implica la utilización de procesos en paralelo, programas específicos de reducción de dimensión (por ejemplo MapReduce), gestores NoSQL, entre otros.
  2. Análisis de datos para encontrar relaciones predictivas útiles. En esta etapa, las técnicas estadísticas y “machine learning” se aplican. Por un lado, en estadística se impone un modelo (regresión, logístico, etc.) para tratar de captar la naturaleza de la relación entre un input y un output; mientras que en el “machine learning” el objetivo es encontrar una función que pueda predecir un resultado a partir de unos inputs sin requerirse ningún modelo sobre la naturaleza de dicha relación.
  3. Técnicas de visualización para presentar los resultados y comunicarlos a los usuarios finales.

El trato del “big data” es el que hace la diferencia entre las técnicas de la estadística tradicional y el método de “machine learning”. Un ejemplo es el caso de “supervised learning”, en donde se busca la relación entre un input y un resultado. El “big data” utiliza métodos de clasificación, árboles de decisión y redes neuronales; en cuanto a la econometría tradicional trabaja bajo regresiones. En el área del “unsupervised learning”, que solo utiliza inputs, un económetra utilizaría modelos no paramétricos para la estimación de una función de densidad, mientras que en “machine learning” predominan los métodos de reducción de dimensionalidad. Al comparar ambos sistemas, (críticos humanos y el algoritmo de “machine learning”) el procedimiento automatizado resulta mucho más eficiente de lo que pensaba, prueba de ellos fue el desmantelamiento de Amazon Voice.

Algunos bancos como BBVA comercializan soluciones que proporcionan datos geolocalizados de consumo en TPV (POS) sobre distintas industrias de producción y sus áreas geográficas. Con lo cual se puede ofrecer una visión sobre las posibilidades de inversión empresarial, así como su trayectoria evolutiva en la localidad elegida. También muestra los patrones de compra de los potenciales clientes, la posibilidad de crosselling. Los servicios a terceros que ofrece la industria bancaria se encuentran basados en la capacidad que tienen de generar y analizar la data. Uno de sus medios para obtener este tipo de información es mediante los dispositivos móviles para comparar los resultados de tiendas respecto a otras tiendas en la misma área geográfica, elegir la mejor localización para un nuevo comercio, decidir horarios de apertura o cierre de comercios, etc.

Pero no sólo la banca utiliza el “Machine learning” con la finalidad de inversión. Los modelos predictivos también combinan la información sobre las transacciones de los clientes y los “credit scores” generados por agencias de calificación de la calidad crediticia de los consumidores (“credit bureaus”). Así mejora el impago alcanzando hasta el 85% con un ahorro de entre el 6% y el 25% de las pérdidas totales, según Kallerhoff.

La compañía argentina de soluciones bancarias VeriTran empleó el “Machine learning” en su aplicación Voice Banking. Dotada de este mecanismo, Voice Banking ejecuta transacciones por medio de una orden de voz. Al detectar el sistema el mensaje emitido por el usuario, la aplicación resuelve diversos trámites bancarios y efectúa operaciones como transferencias, pagos o consulta de saldo de la cuenta bancaria sin importar que se trate de un smartphone, smartwatch o cualquier otro dispositivo. El vehículo para que la acción se realice es la voz.

El  “Machine learning” es empleado por la banca como un medio para crear más y mejores soluciones para la industria y para el usuario final, que, como en el caso anterior, la relación entre uno y otro se da de forma tan natural saludar a una persona en la calle.

 

Referencias:
http://turing.iimas.unam.mx/~luis/cursos/IA2013-2/slides/s12_aprendizaje.pdf
http://ccc.inaoep.mx/~pgomez/conferences/PggTSys16.pdf
https://www.felaban.net/archivos_memorias/archivo20170530172319PM.pdf
http://www.santanderannualreport.com/2017/sites/default/files/openbank.pdf

http://84.89.132.1/~montalvo/wp/big_data_banking_v4.pdf

Deja un comentario