○ planned · proyecto
Otorga nivel a: Feature Store · MLOps
Usa: Feature Store · CD · MLOps · Model Deployment · Model Evaluation · Time Series
Cómo Bancaya construyó un motor de riesgo crediticio basado en IA que evalúa más de mil solicitudes al día en segundos, con aprendizaje continuo, automatización y capacidad de integrarse a partners (Waldo’s, Uber, Chedraui). La tesis central es que la IA es un componente estratégico (no una moda) y que el trabajo del data scientist no termina al entrenar el modelo, sino que empieza en producción: monitoreo, data quality y valor de negocio.
Hallazgos clave
- La inclusión financiera se logra con data no tradicional (balance de cuenta, engagement en la app, apps instaladas, face recognition, geolocalización) para evaluar a quienes no tienen historial en buró; p.ej. muchas apps de gambling son señal de riesgo y un número muy bajo de apps puede indicar un celular nuevo usado para fraude.
- El Feature Store (3,000+ features online y batch) permite dos cosas clave: homologar el dato de entrenamiento con el de producción y actuar como “cinturón de seguridad” contra leakage; en la API el partner solo manda un ID y el Feature Store une todo por detrás.
- Modelo as a service: desplegar un pipeline (no solo el modelo) registrado con MLflow —dataset, código y parámetros— garantiza reproducibilidad y hace que los cambios de versión sean transparentes para la app que consume la API.
- La regla 70-30 se invirtió: pasaron de 70% tiempo en tareas operativas (entrenar, feature selection, deploy) a 30% operativo y 70% en innovación, gracias a CookieCutter, Continuous Learning Pipeline y CI/CD; el auto-retraining se dispara cuando cae el ROC AUC o al añadir nuevas features (un modelo nuevo en un día).
- La lección de monitoreo más valiosa es ser proactivo, no reactivo: monitorear features, drift y latencia desde que el modelo se libera y actuar antes de que baje el performance, porque un feature que llega tarde (más de 60 segundos) sesga la predicción.
Módulos
- El negocio del crédito y la inclusión financiera — aprobación vs mora, fraude por robo de identidad vs “no intención de pago”, y por qué la data tradicional genera sesgo.
- Feature Store: online vs offline — ingesta de datos (Databricks/Data Lake/DynamoDB), servir features en tiempo real y prevención de leakage y train-serve skew.
- Modelos predictivos de riesgo — approval (clasificación de mora), fraude, collection (mora temprana/media/tardía) y forecasting de demanda con series de tiempo.
- Continuous Learning Pipeline — Feature Pipeline, Training Pipeline, triggers de auto-retraining y el registro con MLflow para reproducibilidad.
- CI/CD para ML — tests sobre código, data y modelo (que el nuevo modelo sea mejor al previo), staging, smoke tests y entrega continua.
- Monitoreo proactivo e IA generativa como coworker — dashboards de drift/latencia/nulos y uso de Cursor/ChatGPT para prototipado, debugging y optimización.
Fuente: https://www.youtube.com/watch?v=c6kRkBgj0f8 · Transcript local: data/cursos/datapub-motor-credito-ia/motor-credito-ia.srt
Enlaces
Otorga nivel a: Feature Store · MLOps Usa: Feature Store · CD · MLOps · Model Deployment · Model Evaluation · Time Series