{"id":952665,"date":"2025-09-11T13:26:07","date_gmt":"2025-09-11T12:26:07","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=952665"},"modified":"2025-09-29T11:01:58","modified_gmt":"2025-09-29T10:01:58","slug":"artefact-publishes-its-research-on-ai-applied-to-the-identification-of-atypical-customer-profiles-developed-and-tested-with-a-leading-french-bank","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/es\/blog\/artefact-publishes-its-research-on-ai-applied-to-the-identification-of-atypical-customer-profiles-developed-and-tested-with-a-leading-french-bank\/","title":{"rendered":"Artefact publica su investigaci\u00f3n sobre la IA aplicada a la identificaci\u00f3n de perfiles de clientes at\u00edpicos, desarrollada y probada con un importante banco franc\u00e9s"},"content":{"rendered":"

Un algoritmo para generar sucesos raros sint\u00e9ticos de todo tipo<\/b><\/h2>\n

Una aplicaci\u00f3n com\u00fan del artificial intelligence es asignar una probabilidad, o puntuaci\u00f3n, a personas o acontecimientos de inter\u00e9s. Este problema de puntuaci\u00f3n se aplica a muchos \u00e1mbitos, como la detecci\u00f3n de enfermedades, el mantenimiento predictivo en las f\u00e1bricas, la propensi\u00f3n de los visitantes en l\u00ednea a realizar compras o el riesgo de perder abonados. En estas situaciones, los eventos de inter\u00e9s son muy superiores al total disponible data. Este desequilibrio hace que el entrenamiento de los modelos de aprendizaje autom\u00e1tico sea especialmente complejo, ya que tienden a centrarse en la mayor\u00eda de los casos e ignoran o subestiman los casos raros, lo que plantea m\u00faltiples problemas operativos si se despliega la IA. Existen algunos algoritmos, pero no est\u00e1n adaptados al data categ\u00f3rico y, por lo general, no consiguen mejorar la precisi\u00f3n del modelo final.<\/span><\/p>\n

Para hacer frente a este reto, <\/span>Centro de investigaci\u00f3n de Artefact<\/b> propuso un nuevo m\u00e9todo de reequilibrio para tabular data<\/b>, teniendo en cuenta tanto las variables num\u00e9ricas como las categ\u00f3ricas. Probado en el c\u00f3digo abierto data<\/span>, este enfoque muestra mejoras significativas en t\u00e9rminos de rendimiento, al tiempo que mantiene la coherencia, verosimilitud e interpretabilidad del data, un aspecto que a menudo pasan por alto los m\u00e9todos existentes. El reequilibrio Data requiere la creaci\u00f3n de ejemplos ficticios, que corren el riesgo de ser inveros\u00edmiles, como perfiles de clientes que no existen. Este riesgo repercute directamente en la adopci\u00f3n de artificial intelligence en los casos en los que los analistas deben validar manualmente los ejemplos m\u00e1s probables preseleccionados por el modelo. El Artefact resuelve este problema creando \u00fanicamente data plausibles durante el reajuste, lo que facilita su adopci\u00f3n por parte de las empresas.<\/span><\/p>\n

 <\/p>\n

\"\"<\/p>\n

Una asociaci\u00f3n de investigaci\u00f3n llave en mano con aplicaciones para casos de uso de Societe Generale<\/b><\/h2>\n

Este trabajo es el resultado de una asociaci\u00f3n a tres bandas entre la <\/span>Artefact Research Center, el Laboratorio de Probabilidad, Estad\u00edstica y Modelizaci\u00f3n (LPSM) de la Universidad de la Sorbona y Societe Generale<\/b>. La colaboraci\u00f3n permiti\u00f3 definir un tema de investigaci\u00f3n de tres a\u00f1os que establece un equilibrio entre los retos estad\u00edsticos e inform\u00e1ticos y los problemas concretos a los que se enfrentan los equipos comerciales y para los que no existen soluciones de vanguardia. En efecto, en el caso de esta aplicaci\u00f3n, varios expertos en ventas hab\u00edan se\u00f1alado el problema de la incoherencia de los perfiles bancarios generados por los enfoques existentes, lo que limitaba su adopci\u00f3n de una herramienta basada en la IA, planteando as\u00ed el reto de <\/span>manteniendo sugerencias plausibles durante el algoritmo de reequilibrio.<\/b><\/p>\n

Gracias a esta colaboraci\u00f3n, los investigadores del Artefact y de la Universidad de la Sorbona pudieron probar sus m\u00e9todos en el banco real data, lo que valid\u00f3 la precisi\u00f3n estad\u00edstica del algoritmo propuesto. Adem\u00e1s, un elemento \u00fanico para probar el rendimiento del m\u00e9todo propuesto fue la ampliaci\u00f3n a millones de puntos data<\/b> procesarse en un tiempo razonable, superando as\u00ed el tama\u00f1o de los conjuntos data equivalentes de c\u00f3digo abierto. El c\u00f3digo es de c\u00f3digo abierto y la metodolog\u00eda se explica detalladamente en el art\u00edculo cient\u00edfico<\/b>, permitiendo que el mayor n\u00famero posible de personas utilice el enfoque para otros casos de uso de la puntuaci\u00f3n.<\/p>\n

Etienne GUIBOUT, Director de IA del Grupo Societe Generale, explica:<\/p>\n

\u201c<\/i><\/strong>Esta colaboraci\u00f3n permite a Societe Generale acceder a los conocimientos complementarios del mundo acad\u00e9mico. Promueve la innovaci\u00f3n incorporando una variedad de perspectivas destinadas a identificar soluciones cada vez m\u00e1s adaptadas a nuestros problemas. La aceptaci\u00f3n en una conferencia de nivel A es una marca de calidad para los equipos de Societe Generale. Demuestra el reconocimiento del impacto del trabajo llevado a cabo por compa\u00f1eros y expertos del sector. Participar en este tipo de eventos nos permite compartir nuestras investigaciones, sin dejar de formar parte del ecosistema. Los equipos de negocio de Societe Generale, en particular los de cumplimiento, participaron en la elaboraci\u00f3n de este art\u00edculo. Su experiencia en el sector y sus comentarios confirmaron la pertinencia y aplicabilidad del contenido presentado. Esta colaboraci\u00f3n interdisciplinar garantiza que el art\u00edculo refleje las realidades del mercado y responda ante todo a nuestras necesidades y a las de nuestros clientes.\u201d<\/i><\/p>\n

Emmanuel Malherbe, director del Artefact Research Center:<\/p>\n

\u201cSe trata de una asociaci\u00f3n ideal para nuestro centro de investigaci\u00f3n, que ilustra perfectamente nuestra visi\u00f3n de la investigaci\u00f3n aplicada, \u00fatil y compartida. El aprendizaje autom\u00e1tico es un campo que siempre parte de data y un problema real. A trav\u00e9s de esta colaboraci\u00f3n, hemos podido centrarnos en la cuesti\u00f3n mal resuelta de la puntuaci\u00f3n en data tabular desequilibrada, que sin embargo es un problema recurrente en los negocios y plantea muchas cuestiones estad\u00edsticas. Poder probar y validar el enfoque en data reales tambi\u00e9n fue clave para lograr un algoritmo r\u00e1pido, eficaz y preciso.\u201d<\/i><\/p><\/blockquote>\n

Enlace al art\u00edculo cient\u00edfico y al c\u00f3digo del algoritmo:<\/b><\/h2>\n