Aprende estructura causal en una red de riesgo fintech
Visión general
De qué trata este proyecto.
En equipo de 2-3, recibes 38.000 solicitudes con 47 features de onboarding, default a 90 días y un subconjunto de 1.200 solicitudes con etiquetado de exámenes manuales por el equipo de riesgo. Compara dos algoritmos de aprendizaje de estructura (PC y NOTEARS) con bootstrap para estabilidad de arcos, valida con d-separación contra el conocimiento experto del equipo y simula la intervención do(límite_solicitado := X) para estimar el efecto causal sobre default. Éxito = matriz de adyacencia con arcos estables (frecuencia bootstrap >= 80%), ATE (Average Treatment Effect — efecto promedio del tratamiento) creíble en una intervención y memo regulatorio de 6 páginas.
El Briefing
Lo que harás y lo que demostrarás.
Aprender una estructura causal estable a partir de datos de onboarding y validarla suficientemente para sostener una conversación con riesgo y regulador.
Earning criteria — what you'll demonstrate
- Distinguir asociación de causalidad y aplicar criterios formales (d-separación)
- Ejecutar y comparar algoritmos de aprendizaje de estructura (PC, NOTEARS)
- Medir estabilidad de la estructura con bootstrap
- Estimar efectos causales con el operador do() bajo supuestos explícitos
- Comunicar limitaciones de un modelo causal a un público no técnico
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosInvestigador/a de Machine Learning
Aprender estructura causal con doble algoritmo, validarla con bootstrap y defenderla ante un regulador es trabajo nuclear de un ML researcher en fintech y healthcare.
Este proyecto afina
- structure-learning
- causal-inference
- bayesian-networks
Científico/a de Investigación
La disciplina de comparar algoritmos, cuantificar estabilidad y publicar un memo metodológicamente sólido emula el rigor de un research scientist junior.
Este proyecto afina
- causal-inference
- structure-learning
- model-evaluation
Científico/a Aplicado/a de IA
Convertir un análisis causal en una recomendación de política accionable y defendible ante riesgo es exactamente lo que aporta un applied AI scientist en fintech.
Este proyecto afina
- causal-inference
- probabilistic-inference
- model-evaluation
Científico/a de Datos
Manejar 38k solicitudes, validar contra conocimiento experto y producir tanto evidencia técnica como memo de negocio es el día a día de un senior data scientist en una fintech regulada.
Este proyecto afina
- bayesian-networks
- python
- model-evaluation