Las instituciones financieras gestionan millones de transacciones diarias. Los métodos tradicionales de scoring crediticio ya no pueden procesar ni interpretar esta cantidad de información de manera eficiente.
Este programa enseña cómo aplicar arquitecturas de redes neuronales profundas para construir modelos predictivos que analizan patrones complejos en historiales crediticios, comportamientos de pago y variables macroeconómicas. Los participantes aprenden a trabajar con conjuntos de datos masivos usando frameworks como TensorFlow y PyTorch, implementando técnicas de preprocesamiento específicas para datos financieros desequilibrados.
El contenido abarca desde la preparación de datasets con millones de registros hasta la interpretación de modelos mediante técnicas como SHAP y LIME, esenciales para cumplir requisitos regulatorios. Se trabaja con casos reales de instituciones bancarias que han reducido sus tasas de morosidad mediante la implementación de estos sistemas.
Los equipos técnicos adquieren competencias para diseñar pipelines automatizados de entrenamiento, validación cruzada temporal y monitorización continua del rendimiento de modelos en producción. La formación incluye estrategias para gestionar el drift de datos y actualizar modelos sin interrumpir operaciones críticas.