Hace unas semanas, en una charla técnicas (café mediante), de esas que nos gustan tener a los que estamos obsesionados con esto del Advance Analyics, intercambié algunos puntos de vista con un colega de una prestigiosa empresa de
Análisis de Datos, con sede en Atlanta, Estados Unidos. El tema que tratamos fue la importancia de las Redes Neuronales en el análisis de Riesgo Crediticio.
De la charla surgieron algunos puntos que me gustara destacar sobre la utilización de las Redes Neuronales Artificiales (RNA). En general, las redes neuronales son superiores a otras técnicas porque:
- Se entrenan, auto organizan, aprenden y olvidan según las necesidades y el contexto en que operan.
- Son robustas y tolerantes a fallas. La falla de una o varias neuronas no implica un fallo total en la red neuronal.
- Son flexibles, lo que les permite adaptarse fácilmente a nuevos ambientes, ya que pueden catalogarse como sistemas independientes.
- Se emplean en datos en los cuales el patrón es oscuro e imperceptible, exhibe comportamiento impredecible o no lineal, como en modelos tradicionales de series temporales y datos caóticos.
- Son hábiles en el proceso de asociar, evaluar o reconocer patrones
No obstante, existen algunas limitantes a priori que hacen que las RNA sean utilizadas con cierta atención (aunque muchas de estas limitantes están siendo eliminadas, de cierta forma). Por ejemplo:
- Funcionan como una caja negra, resuelven un problema, pero no se sabe a priori cómo lo han hecho, aunque existen diversas técnicas para conocer la forma como operan internamente. Como señala Nisbet R., Elder J. y Miner G. (2009), estudios recientes están abriendo la caja negra en gran medida por el estudio del efecto o contribución que cada variable de entrada presenta sobre la salida a la luz principalmente del análisis de sensibilidad. Esta serie de avances está dando lugar a que en la actualidad se hable más bien de “cajas grises” ya que las RNA modernas, a partir de ciertas técnicas, ya pueden proveer una medida de importancia o significación de las diferentes variables de entrada utilizadas para construir la red, permitiendo así, apreciar ciertos detalles sobre la operativa interna de cálculo.
- En lugar de ser un sistema de apoyo a la decisión, la caja negra se puede convertir en el “tomador” de la decisión. Puede ocurrir que un director de riesgo niegue un crédito sólo porque se lo dice el modelo, sin que él pueda argumentar esta decisión ya que no entiende el funcionamiento de la red neuronal. No obstante, este punto débil puede convertirse en un factor positivo. Cuanto más difícil sea la comprensión de la lógica del sistema, más difícil es su manipulación y por lo tanto en más segura.
- Tienen problemas en la estimación de cálculos precisos. Funcionan bien con problemas complejos de difícil cálculo pero que no requieren respuestas perfectas, sino solo respuestas rápidas y buenas, como ocurre en la bolsa, en donde se necesita saber con rapidez si conviene comprar, vender o mantener. Por esto no quiere decir que sea una debilidad per se, sino que debe usarse como exploratorias y luego complementarlas por medio del Bagging de modelos.
- Las redes neuronales se están comportando bien en predicción a largo plazo con componentes no lineales. Pero, no son claras las mejorías observadas en series cortas y estacionales, como son típicas en las predicciones de ventas.
Como le mencioné al colega con quien compartimos el café, las RNA son una excelente herramienta, que como toda herramienta no es óptima para todas las realidades, sí es un muy buen estimador. El problema es como mencionaba Abraham Maslow, “cuando tu única herramienta es un martillo, todo te parece un clavo”. Por ende, las RNA no son malas per se para el análisis de crédito, lo es
no entender cuándo y para qué las usamos.
Contacto:
Correo:
[email protected]
Twitter:
@diego_vallarino
LinkedIn:
diegovallarinonavarro
Las opiniones expresadas son sólo responsabilidad de sus autores y son completamente independientes de la postura y la línea editorial de Forbes México.
