Construyes un modelo de machine learning para decisiones financieras, lo rompes a propósito y después lo validas como lo haría una unidad independiente de riesgo de modelo. Cubres sobreajuste, data snooping, explicabilidad con SHAP, sesgo algorítmico y el papel real de los LLM en un flujo de decisión con responsabilidad legal. El entregable es un expediente de riesgo de modelo completo, con firma y límites de uso.
La tesis de este programa es específica y verificable: las máquinas ganan en consistencia y volumen, los humanos ganan en definición del problema, en detección de régimen nuevo y en responsabilidad. Empezamos con la evidencia dura de ambos lados —Meehl sobre predicción actuarial contra predicción clínica, Kahneman sobre ruido en el juicio experto— y bajamos a la práctica. Entrenas un clasificador de incumplimiento con scikit-learn y luego lo rompes deliberadamente: fuga de información, sobreajuste, backtest con múltiples pruebas no corregidas, ese Sharpe ratio inflado que se desinfla cuando aplicas el ajuste de Bailey y López de Prado. Después cambias de silla: pasas a validador independiente y aplicas la lógica de SR 11-7 sobre el modelo de otro equipo, replicando resultados, retando supuestos y documentando límites de uso. Trabajas explicabilidad con SHAP, análisis de disparidad en decisiones de crédito y las implicaciones del EU AI Act. El bloque final es el más actual: dónde sí y dónde no entra un LLM en un flujo de decisión financiera, la alucinación tratada como riesgo operacional con su propio control, evaluación con rúbricas, y arquitecturas human-in-the-loop con umbrales de escalamiento y kill switch. Cerramos con automation bias —el caso de Air France 447— y con la pregunta que ningún sistema responde: quién firma.
Man vs Machine: Juicio Humano y Gobernanza de Modelos — te enviamos el brochure y un asesor te contacta.