Fede explains how AI and generative models like ChatGPT are transforming credit and collections by automating recovery, improving risk assessment, and enabling real-time personalization. The episode covers implementation challenges like data quality and legacy system integration, ethical concerns including bias and transparency, and production practices using tools like Apache Kafka, TensorFlow, and MLflow.
Chapters
Fede, este es un mundo fascinante y después de escuchar un poco de esto me da curiosidad saber cómo ha evolucionado el uso de la IA en créditos y cobranzas en los últimos años.
Sí, la IA ha evolucionado no solo obviamente en el mundo de créditos y cobranzas. Hoy escuchamos cómo se utiliza la inteligencia artificial generativa, el ChatGPT, todas estas herramientas en el uso diario. Como herramientas de productividad, y obviamente el créditos y cobranzas, y esta gestión no escapa a esta generalización de la utilización de estas herramientas. Lo que ha permitido es obviamente aumentar la velocidad y automatizar los procesos de gestión de recuperación, además aumentar la precisión en la evaluación de los riesgos, porque los modelos estos suelen ser más predictivos, siempre sujetos a que la calidad de datos, como dijimos antes, que es muy importante a la disponibilidad de los datos, pero estos algoritmos tienen un nivel de precisión mayor si son utilizados bien y si no se sobreestiman los modelos, tienen una mayor capacidad predictiva. Y además, una palabra clave dentro de la inteligencia artificial es la adaptabilidad, porque a medida que ingresan nuevos datos al modelo que nosotros tenemos en producción y pueden ir cambiando las condiciones del mercado, las condiciones del entorno, se van entrenando nuevamente y van manteniendo su efectividad en tiempo real. Antes los modelos eran estáticos, hoy los modelos son más dinámicos. Y por supuesto, esto también permite una mejora en la experiencia con el cliente, porque vos podés ofrecer experiencias más personalizadas, recomendar productos financieros basados en el comportamiento del cliente y además en su perfil de riesgo.
Fede, este es un mundo complejo. Desde tu perspectiva, sabiendo eso, ¿cuáles son los desafíos de implementación a los que nos enfrentamos cuando utilizamos IA en el mundo, en este mundo de créditos y cobranzas?
Sí, implementar modelos obviamente tiene también sus desafíos. En primer lugar, como mencioné durante esta charla, los datos, tanto la calidad y la cantidad de datos. Obviamente, cuanto mayor cantidad de datos es, mejor es para el entrenamiento de los algoritmos. Cuanto mejor la calidad de datos es, lo mismo la disponibilidad de datos. Todas las dimensiones que tienen que ver con la calidad, disponibilidad de datos es fundamental, porque si no, como dije antes, por más que tengas el mejor algoritmo, los modelos no van a ser eficaces o no van a ser predictivos y no van a ser estables a lo largo del tiempo. Otro desafío es la integración con los sistemas. Antes, un modelo de regresión logística, un scorecard, es fácilmente implementable, pero estos modelos son mucho más complejos, pueden ser árboles, muchísimos árboles, y la implementación puede ser compleja y costosa para una organización. Luego el cambio cultural, porque adoptar inteligencia artificial requiere cambio cultural dentro de las organizaciones, y todos tenemos que aprender a confiar además en este tipo de modelos y no pensar que van a sobreestimar o que no van a ser estables, y son nuevas tecnologías que hay que ir incorporando día a día. Y luego el mantenimiento y la actualización por último, porque estos modelos necesitan ser mantenidos y actualizados regularmente para seguir siendo predictivos, para seguir siendo efectivos ante los cambios en el mercado, ante cambios en los datos.
Ahí hay un punto muy importante antes de darle la palabra de nuevo a José, y son las consideraciones éticas. Siempre es algo que surge en todos estos temas y me gustaría preguntarte qué consideraciones éticas se deben tener en cuenta cuando estamos implementando modelos como estos.
Sí, efectivamente, todo lo que es la ética de la inteligencia artificial es un tema que ha crecido mucho los estudios, especialmente desde 2017, y porque se lo suele tratar como modelos de caja negra. Entonces, la transparencia, la explicabilidad en estos modelos es fundamental. Los modelos tienen que ser comprensibles tanto para el que los desarrolla como para el cliente, porque uno tiene que poder explicarle al cliente en base a qué uno toma una decisión. Y al ser modelos tan complejos, a veces eso es complicado. Sin embargo, hay herramientas que permiten explicar y que permiten mejorar la explicabilidad del modelo. Entonces, la transparencia, explicabilidad e interpretabilidad diría que es un tema muy importante a la hora de tener en cuenta la ética de los modelos de inteligencia artificial. Otro tema es los sesgos y la discriminación, porque los modelos pueden perpetuar sesgos existentes ya en los datos. Entonces es vital implementar medidas para detectar y mitigar esos sesgos y asegurar que las decisiones que uno toma, que son decisiones relativas a las personas, incluso a las compañías, tienen que ser justas y tienen que ser equitativas. Por otro lado, la privacidad de los datos, porque los modelos de inteligencia artificial, como saben, en general se utilizan muchísimos datos, se recopilan muchos datos personales, y la recopilación y el uso de estos datos tienen que cumplir con las regulaciones de privacidad y protección de datos y garantizar que la información de los clientes se maneje de manera ética y segura. Y por último, la responsabilidad, porque las organizaciones tenemos que establecer claramente la responsabilidad y rendir cuentas cómo utilizamos los modelos de inteligencia artificial, y asegurando que tenemos los mecanismos para corregir los errores o corregir cosas que no se hayan hecho bien.
Perfecto.
Bueno, yo, Fede, quisiera volver un poquito al rubro más técnico. Y hacemos una última pregunta ya para ir cerrando este episodio. Al momento de llevar a producción este tipo de algoritmos, ¿cómo podemos hacer para que, digamos, todo este aprendizaje automático se entrene solo, se entrene automáticamente al momento de implementarlo?
Sí, poner en producción estos algoritmos y hay que asegurarse que se entrenen automáticamente con nuevos datos es esencial. Para mantener el poder predictivo, la precisión de los modelos. Entonces se utilizan varias técnicas, una que se denomina pipeline de datos es establecer un pipeline de datos automatizados para recolección de datos, para el procesamiento dentro del pipeline, para que los almacene de manera continua. Entonces hay herramientas como Apache Kafka, Amazon Web Services Glue o Google Cloud Dataflow que se pueden utilizar para este propósito. La automatización del entrenamiento además es muy importante y para eso hay herramientas de aprendizaje automático como TensorFlow Extended o TFX, MLflow, Kubeflow, que lo que hacen es, una vez que se ingieren los datos nuevos, es automatizar el proceso de entrenamiento, automatizar los hiperparámetros, la configuración de los hiperparámetros, y esto permite configurar los pipelines para que se ejecuten automáticamente cuando ingresan nuevos datos. La implementación además tiene que ser continua y adoptar prácticas de integración y entrega continua, como se llama CI/CD, para desplegar luego estos modelos y poder implementarlos. Y esto lo que te asegura es que los modelos entrenados se implementan de manera rápida y eficiente en producción.
Muchas gracias, Fede, por habernos ilustrado con todos estos temas que son apasionantes y de mucho uso actualmente con Moonflow. Seguimos toda esta tendencia, no queremos quedarnos atrás, queremos estar siempre un paso adelante. Así es muy interesante que nos hayas acompañado. Y gracias, Dani, también por ayudarnos a facilitar todo el entorno Academy para salir adelante con estos episodios.
José, buenísimo. Gracias, Fede. Yo creo que estamos un paso adelante. Gracias a Fede por las respuestas, por tanto conocimiento. Los invitamos a que queden pendientes de lo que sigue porque vamos a seguir hablando de inteligencia artificial aplicada a créditos y cobranzas, cómo se ve esto aplicado a un producto como el que estamos construyendo. Así que vienen cosas muy interesantes. Por ahí nos vemos con José, con Facu, probablemente con Fede otra vez. Así que queden pendientes.
