Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 29 vistas

    Seminario de Titulacion

    Cargado por

    Daniel Cervantes Cabrera
    Seminario de Titulacion

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Seminario de Titulacion

    Cargado por

    Daniel Cervantes Cabrera
    29 vistas5 páginas
    Seminario de Titulacion

    Título original

    seminarioDeTitulacion

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Seminario de Titulacion

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    29 vistas5 páginas

    Seminario de Titulacion

    Cargado por

    Daniel Cervantes Cabrera
    Seminario de Titulacion

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 5

    Licenciatura Actuarı́a y Matemáticas

    Seminario de Titulación: Inteligencia Artificial para


    Aplicaciones en el Área Financiera y Bancaria
    Dr. Daniel A. Cervantes Cabrera
    Febrero 2022
    Objetivo
    Esta propuesta de seminario de titulación, tiene el objetivo de que el asis-
    tente conozcan y aplique técnicas modernas de Inteligencia Artificial, parti-
    cularmente del área de Aprendizaje Automático y Profundo, que le permitan
    proponer soluciones en problemas relevantes en el ámbito Bancario-Financiero.
    Además de comprender los conceptos fundamentales, desarrollará un proyecto
    en donde deberá implementar programas computacionales utilizando el len-
    guaje de programación Python, con los que podrá reforzar los conocimientos
    adquiridos y abordar casos reales. Todo lo anterior le proporcionará habilidades
    que lo ayuden en su inserción laboral en esta área.

    Descripción General del Tema


    En la actualidad la Inteligencia Artificial (IA) ha tomado gran relevancia
    en numerosas disciplinas cientı́ficas, tecnológicas y sociales. Particularmente
    destacan las áreas de Aprendizaje Automático y Profundo. Que buscan desa-
    rrollar técnicas de detección de patrones significativos en los datos, a partir de
    los cuales es posible predecir de forma automática en qué situaciones podrı́an
    darse o no.
    Este tipo de herramientas, se han vuelto comunes en casi cualquier tarea
    que requiera la extracción de información a partir de grandes volúmenes de da-
    tos [13]. Los algoritmos de Aprendizaje Automático y profundo, han resultado
    exitosos en una amplia gama de tareas y dominios, incluyendo la visión por
    computadora, el reconocimiento de voz, la clasificación documental, la conduc-
    ción automática y el soporte en la toma de decisiones [2]. Las aplicaciones de
    Aprendizaje Automático permiten un análisis completo de toda la información
    disponible (en lugar de solo muestras), ası́ como la detección de patrones que
    pueden resultar imperceptibles para el humano [12].
    Ası́, claramente una de las áreas de aplicación de esta tecnologı́a es el cam-
    po de las decisiones empresariales, especialmente en las finanzas, llegando a
    desempeñar un papel integral en muchas partes de este ecosistema, ya que per-
    mite apoyar en la toma decisiones eficientes y oportunas en diversos problemas
    de este ámbito. En esta propuesta de seminario de titulación se planea estudiar
    y aplicar algunas de estas técnicas abordando entre otros los siguientes temas:

    1. Detección automática de riesgo de crédito.


    El riesgo crediticio representa la posible pérdida que asume un agen-
    te económico como consecuencia del incumplimiento de las obligaciones
    contractuales de una contra-parte. La detección puede ser basada en los
    datos financieros y el comportamiento crediticio y de consumo de sus
    clientes. Esto además permite identificar cuándo incrementar o reducir
    la lı́nea de crédito de un cliente [4, 5].

    1
    2. Detección automática de fraudes.
    El fraude financiero es un problema que tiene consecuencias de gran al-
    cance tanto en la industria financiera como en la vida diaria. Según la
    encuesta del Global Economic Crime de PwC del 2020 [11], el fraude le
    costó a esta industria aproximadamente 42 billones de dolares anuales y el
    47 % de las compañias a experimentado algún tipo de estos delitos en los
    últimos 24 meses. Se han detectado principalmente en tres tipos: fraude
    al consumidor (e.g. clonación de tarjetas de crédito etc.), en el comercio
    electrónico, apropiación indebida de activos (asset misappropriation). La
    detección automática de los fraudes financieros es una de las aplicacio-
    nes exitosas más antiguas de Aprendizaje Automático Gottlieb [7]. Sin
    embargo, el auge del comercio electrónico ha dado lugar a nuevos tipos
    de fraude financiero y de mercado. Actualmente se están investigando el
    uso del Aprendizaje Profundo para contrarrestar algunas limitaciones de
    los métodos clásicos [16, 1, 15].

    3. Segmentación de clientes Al analizar la interacción de cada cliente


    con el banco, es posible identificar su nivel de afinidad y relación con
    éste, ası́ por ejemplo es importante poder determinar si alguno tiene en
    mente cambiar de institución financiera debido a que ha dejado de uti-
    lizar algunos servicios. A través del Aprendizaje Automático, es posible
    determinar grupos segmentados, sobre los cuales establecer estrategias
    puntuales para buscar su preferencia o ampliar su cartera de servicios o
    productos. Cada vez que un cliente adopte un comportamiento que enca-
    je con un patrón, ingresará dentro de la segmentación, para ası́ generar
    una mejor experiencia hacia el éste [8, 14, 3].

    4. Motor de recomendaciones En la industria del comercio electrónico o


    la televisión bajo demanda, el Aprendizaje Automático constantemente
    genera recomendaciones basadas en el comportamiento y las interaccio-
    nes de los clientes. La misma lógica se puede aplicar en la industria
    financiera, ya que los canales digitales como las aplicaciones de banca
    móvil o la banca online son espacios de interacción del cliente, donde
    se pueden crear recomendaciones de productos o servicios financieros en
    base al comportamiento del cliente y sus necesidades [10, 6, 9].

    5. Análisis de sentimiento El Análisis de Sentimientos (As o SA por su


    siglas del inglés Sentiment Analysis) es un campo de investigación den-
    tro del Procesamiento de Lenguaje Natural que tiene como objetivo la
    extracción automática de información subjetiva expresada en un texto
    dado acerca de un determinado tema. Ası́ mediante el análisis de sen-
    timientos podemos saber si un texto presentaconnotaciones positivas o
    negativas. En la última década, esta área ha tenido un crecimiento ex-
    ponencial debido principalmente a la popularización de las redes sociales
    (principalmente Twitter) y el creciente interés por explotar esta gran

    2
    cantidad de información que permite obtener una valoración (inclusive
    en tiempo real) por parte de los usuarios que interactúan en temas tan
    variados como productos, servicios o personajes relevantes en la vida
    social. [7, 14]

    Lugar y periodicidad de las reuniones.


    Lugar de reuniones: Facultad de Ciencias UNAM e INFOTEC-CDMX
    y virtuales utilizando google meet.

    Periodicidad de las reuniones: Cada quince dı́as.

    Cupo máximo y temas a desarrollar para cada (posible) estudiante.


    Cupo máximo: Cinco pasantes.

    Temas a desarrollar: Puntos 1, 2, 3 y 4 de la descripción general del


    tema. Sin embargo también se reciben propuestas de temas relacionados.

    Propuesta de sinodales.
    Dr. Yuri Salazar Flores

    L. en C.C. Estefanı́a Prieto Larios

    Dr. Mauricio Labadie Martı́nez

    M. en C. Sergio Hernández López

    Dra. Nora Gavira Durón

    Referencias
    [1] A. Abdallah, M. A. Maarof, and A. Zainal, Fraud detection system: a
    survey, Journal of Network and Computer Applications 68 (2016), 90–113.

    [2] Blum, A., Hopcroft, J., y Kannan, R. (2015). Foundations of data science.
    Descargado de https://www.cs.cornell.edu/jeh/book.pdf.

    [3] D.S. Boone, M. Roehm, Retail segmentation using arti-ficial neural net-
    works, International Journal of Re-search in Marketing, 19 (2002), 287-
    301.

    [4] Support vector machines for credit scoring and discovery of significant
    features, Expert Systems with Applications Volume 36, Issue 2, Part 2,
    March 2009, Pages 3302-3308.

    3
    [5] Jacky C. K. Chow, Analysis of Financial Credit Risk Using Machine Lear-
    ning. Master Thesis 2017.

    [6] Gediminas Adomavicius, Toward the Next Generation of Recommender


    Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE
    Transactions on Knowledge and Data Eengineering, 2005.

    [7] Ophir Gottlieb and Curt Salisbury and Howard Shek and Vishal Vaidya-
    nathan, Detecting Corporate Fraud: An Application of Machine Learning,
    2006.

    [8] Ion Smeureanu, Gheorghe Ruxanda, Laura Maria Badea, Customer seg-
    mentation in private banking sector using Machine Learning Techniques,
    2013.

    [9] P. K. M. Kanaujia, N. Behera, M. Pandey and S. S. Rautaray, Recom-


    mendation system for financial analytics, 2016 International Conference
    on ICT in Business Industry & Government (ICTBIG), Indore, 2016.

    [10] O. Oyebode, R. Orji, A hybrid recommender system for product sales in a


    banking environment, Journal of Banking and Financial Technology 2020.

    [11] https://www.pwc.com/gx/en/services/forensics/
    economic-crime-survey.html

    [12] Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding Machine Lear-


    ning: From Theory to Algorithms. Cambridge: Cambridge University
    Press. doi:10.1017/CBO9781107298019.

    [13] Shalev-Shwartz, B.-D. S., S. (2014). Understanding machine learning:


    From theory to algorithms. Descargado de: http://shorturl.at/cmwQ4.

    [14] H.V. Shashidhar, V. Subramanian, Customer segmentation of bank based


    on data mining security value based heuristic approach as a replacement
    to k-means algorithm, International Journal Computer Application, 19
    (2011), 13-18.

    [15] J. West and M. Bhattacharya, Intelligent financial fraud detection: a com-


    prehensive review, Computers & Security 57 (2016), 47–66.

    [16] Y. Alghofaili, A. Albattah A. Rassam, A Financial Fraud Detection Model


    Based on LSTM Deep Learning Technique, A Financial Fraud Detection
    Model Based on LSTM Deep Learning Technique, Journal of Applied
    Security Research 2020.

    También podría gustarte