Audita un modelo de scoring crediticio buscando sesgos por región
Visión general
De qué trata este proyecto.
Recibes el modelo entrenado (random forest) y un set de validación anonimizado de 20.000 solicitudes con etiqueta verdadera y atributo de región (5 grupos). Calcula tasa de aprobación, tasa de falsos negativos y tasa de falsos positivos por región. Aplica las métricas de demographic parity y equalized odds usando Fairlearn. Identifica los dos grupos más perjudicados y propón al menos una mitigación (rebalanceo, umbral por grupo, recolección de datos). Trabajen en pareja: una persona corre el análisis, la otra revisa y desafía. Éxito: informe de 3 páginas que el comité pueda usar para decidir si seguir o no.
El Briefing
Lo que harás y lo que demostrarás.
Auditar un modelo de scoring crediticio por región y entregar al comité de riesgo una recomendación clara con mitigaciones priorizadas.
Earning criteria — what you'll demonstrate
- Aplicar métricas de fairness reales (no solo accuracy) a un modelo en pre-producción
- Distinguir entre demographic parity y equalized odds en contexto financiero
- Comunicar trade-offs éticos a una audiencia de negocio
- Practicar la disciplina de pair-review para reducir errores en auditorías
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 Seguridad en IA
Auditar un modelo en pre-producción por equidad y entregar una recomendación priorizada es uno de los proyectos más representativos de quien empieza en AI safety aplicada en fintech.
Este proyecto afina
- fairness-metrics
- bias-auditing
- demographic-parity
Científico de Datos
Cortar métricas por subgrupo, interpretarlas y proponer mitigaciones es trabajo semanal de una persona senior en data science en una fintech regulada.
Este proyecto afina
- model-evaluation
- fairness-metrics
- python
Científico/a de IA Aplicada
Traducir métricas de fairness a una recomendación binaria (lanzar o no) es la habilidad central que distingue al rol de IA aplicada del de investigación.
Este proyecto afina
- bias-auditing
- model-interpretation
- fairness-metrics