Entrenamiento distribuido del scoring de riesgo en banca minorista

Recibes un subconjunto anonimizado de 20 millones de operaciones y un cluster Spark con 8 nodos para los experimentos. Diseña la pipeline en dos fases: ingeniería de features distribuida con Spark y entrenamiento distribuido del modelo (gradient boosting con XGBoost en modo distribuido o un Multilayer Perceptron con Horovod). Mide tiempo total, escalabilidad (curva de aceleración al pasar de 1 a 8 nodos) y consistencia del modelo final frente a la versión actual sobre la misma métrica de discriminación (área bajo la curva ROC). El éxito es aceleración ≥ 5x con cambio del área bajo la curva ROC dentro de ±0,005.