Inteligencia Artificial en Banca

🎯 Reto de la semana: EL PAÍS cuenta que la inteligencia artificial en banca ya tramita hipotecas casi sin intervención humana: «una hipoteca gestionada por Siri». Hoy vas a construir, sobre papel, el clasificador que dice «sí» o «no» a una hipoteca. Objetivo de aprendizaje: aplicar una máquina de vectores de soporte (SVM) a solicitudes de hipoteca, dibujar su frontera de decisión y leer sus márgenes.

Paso 1: Inteligencia artificial en banca en contexto

Lee la noticia con lápiz en mano. La inteligencia artificial en banca ya no es futuro: los bancos la usan para evaluar créditos, detectar fraude y recomendar productos. Cuando el titular habla de una hipoteca «gestionada por Siri», detrás no hay magia. Hay un modelo de aprendizaje supervisado que ha visto miles de hipotecas pasadas y ha aprendido a separar dos grupos: clientes que devolvieron el préstamo y clientes que no.

Apunta la pregunta clave en tu cuaderno de laboratorio: ¿cómo traza una máquina la línea que separa «aprobar» de «denegar»? Esa línea existe, es matemática y se puede dibujar. Hoy la dibujas tú con una SVM, una de las técnicas de clasificación más elegantes del aprendizaje automático.

Paso 2: Recoger los datos

Todo clasificador supervisado necesita ejemplos etiquetados. Sigue estas instrucciones:

1. Define la variable objetivo. Dos clases: hipoteca aprobada o denegada. Es la etiqueta que el banco ya conoce de operaciones pasadas.
2. Elige las variables predictoras. Un banco real usa decenas (edad, contrato, deudas, historial…). Tú usa solo dos, para poder dibujarlas: ingresos netos del hogar (€/mes) y entrada aportada (% del precio de la vivienda).
3. Anota cada solicitud como una fila: dos números y una etiqueta. Nada más.

Sé honesto con la clase: no tenemos el dataset real del banco (es confidencial). Trabaja con datos ilustrativos para uso docente, construidos para que el patrón se vea a simple vista. El método, en cambio, es exactamente el que usa la IA bancaria real, solo que con muchas más variables.

Paso 3: Explorar los datos (tabla + Figura 1)

📊 Antes de modelar, mira los datos. Siempre. Aquí tienes las 12 solicitudes de nuestro banco de práctica:

Solicitante	Ingresos netos (€/mes)	Entrada aportada (% del precio)	Decisión del banco
A	1.600	7	Denegada
B	1.900	10	Denegada
C	2.200	5	Denegada
D	2.900	4	Denegada
E	2.600	11	Denegada
F	2.000	14	Denegada
G	2.400	23	Aprobada
H	3.000	17	Aprobada
I	3.400	21	Aprobada
J	3.800	24	Aprobada
K	4.200	19	Aprobada
L	3.200	28	Aprobada

Datos ilustrativos para uso docente (no proceden de ninguna entidad real).

Ahora dibuja cada solicitante como un punto: ingresos en el eje X, entrada en el eje Y, color según la decisión. Es un diagrama de dispersión de dos clases, la visualización natural para un problema de clasificación con dos variables.

Observa y anota: las dos nubes no se mezclan. Entre ellas queda un pasillo vacío. Ese pasillo es la clave del siguiente paso.

Paso 4: Elegir la técnica y por qué

🧠 La idea de la SVM en una frase: la calle más ancha

Elige una máquina de vectores de soporte (SVM). Su lógica cabe en una imagen: entre las dos clases se puede trazar más de una línea separadora, pero la SVM busca la que deja la «calle» más ancha posible entre los grupos. La línea central de esa calle es la frontera de decisión; los bordes son los márgenes; y los pocos puntos que tocan los márgenes son los vectores de soporte, los clientes «frontera» que sostienen todo el modelo. Si borraras el resto de puntos, la frontera no cambiaría.

Por qué esta técnica encaja con la IA que decide hipotecas

Compara antes de elegir, como haría un buen analista de inteligencia artificial en banca:

• Maximizar el margen da robustez: una calle ancha tolera mejor a los clientes nuevos que caen cerca del límite.
• Pocos puntos mandan: la decisión depende solo de los vectores de soporte, lo que hace el modelo eficiente e interpretable en 2D.
• Escala a problemas difíciles: con el «truco del núcleo» (kernel), la SVM separa clases que no admiten una línea recta, según detalla la documentación oficial de scikit-learn (Python).

Honestidad pedagógica: un banco real combinaría la SVM con más variables y otros modelos, y con revisión humana. Aquí la usas en versión 2D para ver el mecanismo.

Paso 5: Ejecutar el análisis (Figura 2)

🧮 Ejecuta la SVM sobre papel. Sigue la receta:

1. Calcula una puntuación por solicitante: s = ingresos/100 + entrada. Ejemplo, solicitante K: 4200/100 + 19 = 61.
2. Traza la frontera de decisión donde la calle es más ancha: s = 42, es decir, la recta entrada = 42 − 0,01 × ingresos.
3. Dibuja los márgenes a ambos lados: s = 47 (borde de las aprobadas) y s = 37 (borde de las denegadas).
4. Identifica los vectores de soporte: G (s = 47), H (s = 47) y E (s = 37). Son los únicos puntos que tocan la calle.

Comprueba en la Figura 2 que ningún punto invade la calle: el problema es linealmente separable y la SVM ha encontrado el pasillo de anchura máxima (10 puntos de s).

Paso 6: Interpretar los resultados

🔎 Llega un caso nuevo al banco

Interpreta como lo haría el sistema de IA del banco. Clasifica tres solicitantes nuevos con la regla s = ingresos/100 + entrada:

• Hogar con 3.000 € y 22% de entrada: s = 52 > 47. Aprobada con holgura: cae lejos de la calle. ✅
• Hogar con 2.800 € y 19% de entrada: s = 47. Justo en el margen: aprobada, pero al límite de la confianza del modelo.
• Hogar con 2.500 € y 13% de entrada: s = 38 < 42. Denegada… pero dentro de la calle (entre 37 y 42). Un sistema prudente derivaría este expediente a un analista humano.

Extrae las tres lecturas importantes. Primera: la distancia a la frontera mide la confianza de la decisión, algo que un simple «sí/no» oculta. Segunda: los vectores de soporte son los clientes críticos; si el banco consiguiera datos más finos de esos perfiles frontera, mejoraría justo donde más importa. Tercera: la inteligencia artificial en banca hereda los sesgos de sus datos históricos; si el banco denegó injustamente en el pasado, la SVM aprenderá a repetirlo. Por eso la normativa europea exige explicabilidad y supervisión humana en decisiones de crédito.

Paso 7: Comunicar la conclusión

✅ Redacta el informe final de tu cuaderno en tres frases, como un profesional:

• Qué hiciste: «Entrenamos una SVM con 12 hipotecas históricas y dos variables (ingresos y entrada)».
• Qué encontraste: «Existe una frontera lineal (entrada = 42 − 0,01 × ingresos) con margen máximo, definida por solo 3 clientes frontera».
• Qué recomiendas: «Automatizar los casos alejados de la frontera y revisar con criterio humano los que caen dentro del margen».

Cierra conectando con la noticia: cuando leas «una hipoteca gestionada por Siri», tradúcelo así: un clasificador entrenado con datos históricos calcula a qué lado de una frontera cae tu solicitud, y a qué distancia. Si quieres llevar esta práctica al aula con más ejemplos guiados, tienes fichas listas en nuestra sección de recursos para profesores.

Mini-reto para clase

💡 Elige uno (o varios) y trabájalo en equipos de 3-4:

1. Clasifica con la regla s = ingresos/100 + entrada a un hogar con 3.500 € y 8% de entrada. ¿Qué decide la SVM? ¿Estás de acuerdo?
2. Borra de la Figura 2 los puntos A, C y J. ¿Cambia la frontera? Explica por qué los vectores de soporte «sostienen» el modelo.
3. Mueve al solicitante E hasta (2.600 €, 20%). Ahora la calle se estrecha o el punto invade la zona aprobada: investiga qué es el «margen blando» de una SVM.
4. Añade 5 puntos que hagan imposible separar las clases con una recta y debate: ¿qué aporta ahí el truco del núcleo (kernel)?
5. Debate ético: si los datos históricos del banco discriminaban a ciertos barrios, ¿qué aprenderá la SVM? Propón dos controles para detectarlo.
6. Reproduce este ejercicio con GeoGebra o con scikit-learn en Python (clase SVC(kernel="linear")) y compara tu frontera manual con la calculada; encontrarás actividades similares en nuestros recursos interactivos.
7. Compara la SVM con la regresión logística: ambas trazan fronteras, pero ¿en qué se diferencia lo que optimiza cada una?