En un momento como el actual en el que el volumen de datos no para de aumentar, su gestión es todo un desafío para muchas empresas. Cada vez más departamentos los integran en su toma de decisiones, lo que hace evidente la importancia de contar con una estrategia e infraestructura de gestión que ayude a impulsar el éxito de estas empresas ‘Data Driven’.

En el ámbito de la gestión de riesgos esta situación no es diferente. Anteriormente, los científicos de datos realizaban la gestión del riesgo de carteras a través de un método tedioso y en el que se quedaba mucha información fuera: tenían que limpiar los datos, seleccionar modelos específicos y agrupar los datos antes de analizarlos.

Sin embargo, desde que en la década de los 90 del siglo pasado surgiera la necesidad de crear modelos de datos para medir y fijar el precio del riesgo, no se ha parado de utilizar la tecnología de Big Data y analítica avanzada para recoger y aprovechar toda la información disponible de forma automática. Según el 4º Índice de Madurez Digital de las Empresas realizado por el Colegio Oficial de Ingenieros de Telecomunicación, el porcentaje de estas que hizo uso del Big Data, Business Intelligence o Inteligencia Artificial para realizar análisis predictivos fue del 32% en 2020.

Gracias al aprendizaje automático, los sistemas de medición de riesgos actuales son mucho más productivos y exactos que hace unos años. Sin embargo, siempre existe la posibilidad de estar dejando datos fuera de los análisis.

A continuación, veremos algunos métodos de optimización del Machine Learning a través de los hiperparámetros -información establecida previamente al entrenamiento de los modelos- con el objetivo de no dejar ningún dato fuera del análisis y optimizar los modelos predictivos.

1. Descenso de gradiente. El descenso de gradiente es el algoritmo más común para la optimización del modelo con el fin de minimizar el error. Para llevarlo a cabo, hay que reincidir sobre el conjunto de los datos de entrenamiento mientras se reajusta el modelo. Otro de los objetivos que se consigue con este método es minimizar la función de coste, lo que se traduce en una mejora de la precisión del modelo.
2. Algoritmos genéticos. El símil viene dado por el intento de aplicar la teoría de la evolución al aprendizaje automático. En la teoría de la evolución, sólo llegan a sobrevivir y reproducirse los ejemplares con mejores mecanismos de adaptación. Lo mismo sucede con los hiperparámetros de los modelos. Para encontrar los mejores, se calcula la precisión de cada modelo para quedarse con los que mejor han funcionado. Posteriormente y para mayor profundidad, existe la posibilidad de generar algunos descendientes con hiperparámetros similares a los mejores modelos para obtener una segunda generación de modelos.
3. Búsqueda exhaustiva. La búsqueda exhaustiva o búsqueda por fuerza bruta es un algoritmo encargado de buscar los hiperparámetros más óptimos. Consiste en probar todas las combinaciones posibles entre la información previamente facilitada. Con pocos datos, este método puede ser eficaz y sencillo, sin embargo cuando nos encontramos con miles de opciones se vuelve un trabajo pesado y poco práctico. En función del volumen de datos que se maneje, puede ser aplicable o no a las situaciones reales dentro de la gestión de riesgos.

Con estos métodos no solo se consigue una optimización de los modelos para la gestión de riesgos, sino que también se asegura el uso de todos los datos disponibles gracias a su capacidad de procesamiento.