Evaluación inteligente del riesgo crediticio: Un enfoque explicable con aprendizaje automático y modelos de lenguaje de gran tamaño

Abstract

Este estudio aborda la evaluación del riesgo crediticio en cooperativas mediante la integración de un modelo de árbol de decisión explicable y un chatbot basado en Phi4. Se utilizó un conjunto de datos de 5000 registros, considerando variables clave como edad, número de dependientes, antigüedad en la institución, monto solicitado, segmento crediticio y duración del empleo. El modelo de árbol de decisión, configurado con parámetros optimizados (profundidad máxima, ccp_alpha, número mínimo de muestras para división y hojas), alcanzó una precisión del 90,47%, demostrando su capacidad para discriminar entre clientes “seguros” e “inseguros”. Además, se evaluaron otros modelos (OneR, PART y PRISM), siendo PART y el árbol de decisión los que presentaron el mejor equilibrio entre precisión e interpretabilidad. La incorporación del chatbot, entrenado mediante técnicas de transferencia de aprendizaje y desplegado en un entorno local seguro, proporcionó explicaciones claras sobre las decisiones crediticias, facilitando auditorías por organismos reguladores. La propuesta destaca la importancia de emplear enfoques de inteligencia artificial explicable (XAI) para mejorar la inclusión financiera, optimizar recursos y reducir los tiempos de procesamiento. Se reconocen limitaciones relacionadas con la calidad del conjunto de datos y se sugiere integrar modelos híbridos y expandir las fuentes de información en futuras investigaciones para lograr evaluaciones más robustas y adaptables. Este enfoque integral mejora significativamente la eficiencia y la transparencia en la gestión.