News

Cómo transformará la Inteligencia Artificial (AI) explicable al Sector Bancario

En este blog presentamos casos de uso de IA Explicable en la banca y discutimos por qué creemos que esta tecnología está en capacidad de transformar la forma en la que los bancos desarrollan y prestan servicios financieros.

Blog,
Hani Hagras – Chief Science Officer, Temenos

En nuestro blog anterior examinamos qué es la IA Explicable y también la historia de la Inteligencia Artificial.

La Necesidad de una Mejor Inteligencia Artificial

A finales del año pasado, después del lanzamiento de su nueva tarjeta de crédito, Apple fue blanco de críticas por supuestos prejuicios de género (en alianza estratégica con Goldman Sachs). Numerosos informes detallaban cómo, a pesar de tener el mismo historial financiero, se ofrecieron diferentes tasas de interés y límites de crédito a dos personas interesadas en la tarjeta aparentemente debido a su género. Al respecto, Forbes informó:

Wozniak habría solicitado la intervención gubernamental aduciendo una “dependencia excesiva de la compañía en una tecnología misteriosa”.  Wozniak habría dicho: “Me molesta este tipo de injusticias contrarias al principio de veracidad.  No hay transparencia en la forma en que estas compañías definen sus actividades y cómo operan”.

Independientemente de si ésta fue una decisión consciente o no, está claro que Apple y Goldman Sachs habían desarrollado un algoritmo que mostraba un sesgo innecesario y potencialmente ilegal.  Con los sistemas tradicionales de IA tipo “caja negra”, sería muy difícil para un banco analizar y entender en dónde se originó el sesgo.  Con la XAI (inteligencia artificial explicable, por sus siglas en inglés) estas situaciones se vuelven mucho más fáciles de resolver.

¿Por Qué la IA Explicable es tan Valiosa para los Bancos?

Hagamos un ejercicio de reflexión:  Debido al significativo impacto económico del COVID-19, su gerente está preocupado por posibles incumplimientos en los pagos de los préstamos de sus clientes en 2020.  Usted decide reunirse con su equipo de ingeniería para diseñar un sistema de IA que prediga qué personas serían más propensas a no pagar sus préstamos durante los próximos seis meses.  Para no perder a sus clientes, usted decide contactarles proactivamente y ofrecerles una restructuración de sus préstamos para que solo paguen los intereses durante dos años, lo cual reducirá el monto de sus pagos mensuales en el corto plazo.

Su equipo de ingeniería desarrolla el sistema y obtiene una lista de estos clientes.  ¿Está usted listo para aplicar su estrategia?  Probablemente no.  Antes de tomar esta impactante decisión de restructurar el grupo de préstamos, que incluso podría ser innecesaria, usted primero podría querer validar cómo llegó el sistema de IA a esa conclusión.  Habiendo tantos sistemas de IA, no le sería posible validar cómo su sistema obtuvo dicha lista de clientes y más bien tendría que confiar en que lo configuró adecuadamente y que los ingenieros desarrollaron la lógica correcta.

En contraste, un sistema de IA Explicable le permitiría entender y validar cómo el mismo llegó a sus conclusiones.  ¿Cuál de estos sistemas le haría sentir más cómodo en su toma de decisiones importantes de negocios?

Caso de Uso de IA Explicable

  1. Optimización del Proceso de Incorporación del Cliente

Los bancos pierden millones de dólares al año en ingresos debido a procesos ineficientes de incorporación de clientes.  Desde el punto de vista de los clientes, cuando los procesos de incorporación son inflexibles, ellos pierden préstamos que podrían salvar sus negocios.

Este problema se ha magnificado durante la pandemia de COVID-19, puesto que la demanda de préstamos para pequeñas empresas se ha disparado, pero muchos bancos no estaban preparados para evaluar la situación de estas empresas.  La XAI puede ayudar a los bancos a proporcionar mejores vivencias digitales de autoservicio, realizar ágilmente verificaciones complejas de elegibilidad que cumplen con los criterios de riesgo del banco y establecer modelos apropiados de precios, a la vez que mantienen la transparencia con sus clientes así como el control sobre los riesgos.  Conozca más sobre cómo estamos ayudando a las pequeñas empresas y clientes de consumo a acceder a fondos durante la crisis de COVID-19 a través de nuestras soluciones de XAI.

2. Personalización a Escala

Todos los expertos en Experiencia de Usuario (UX, por sus siglas en inglés) se esfuerzan por descifrar cómo crear experiencias personalizadas a escala.  En el caso de los bancos, ellos deben responderse a preguntas tales como:

  • ¿Qué producto(s) deberíamos presentar primero en el menú de nuestra aplicación bancaria?
  • ¿Qué preguntas deberíamos hacer primero en una solicitud para efectos de reducir la deserción?
  • ¿A quién (y cuándo) debemos dirigir las promociones?
  • ¿Cuándo debe el representante de servicio al cliente contactar proactivamente a un cliente?

Históricamente, los diseñadores de UI/UX aplicarían pruebas A/B para ver cuál de las variaciones realizadas es mejor para la mayoría de las personas y desarrollarían su aplicación con base en los resultados.  Sin embargo, con la aparición de la IA y el aprendizaje automático, no es necesario seleccionar una sola variación – actualmente los sistemas pueden predecir y personalizar experiencias para cada persona, sin necesidad de que un diseñador de UI/UX tome conscientemente esa decisión.

En Temenos creemos que existe una enorme oportunidad para que la XAI maneje este proceso de toma de decisiones y permita a los bancos crear experiencias personalizadas para sus clientes a escala.

3. Limitación de Sesgos Humanos

La banca es un proceso inherentemente propenso a errores cuando depende exclusivamente de una toma de decisiones humana.  Siempre que se toman decisiones de valor hay sesgos naturales, especialmente cuando se trata del otorgamiento de líneas de crédito.  ¿Quién es sujeto de crédito?  ¿Por qué valor?  ¿Pueden las máquinas tomar mejores decisiones que los seres humanos, mediante la predicción de tasas de incumplimiento basadas en una importante cantidad de datos?  Las aplicaciones de IA han demostrado que el peligro de que el software acentúe los sesgos humanos es real, específicamente en lo que respecta a razas.  Por otro lado, la IA Explicable hace posible que los ingenieros de control de calidad detecten en dónde se pueden haber acentuado estos sesgos, de tal forma que los bancos puedan lograr que sus algoritmos para los productos XAI reconozcan y eliminen estos casos.

Si le interesa saber más acerca de las soluciones de IA de Temenos, visite nuestra página de productos XAI o vea nuestro seminario web on-demand: “IA Explicable – No Solo Deseable sino Imprescindible”.

Filed under:

Blog,
Hani Hagras – Chief Science Officer, Temenos