Evaluación de los riesgos operativos en instituciones financieras y crediticias modernas

Resumen

El artículo analiza métodos modernos para evaluar la criticidad de los riesgos operativos derivados de fallos de sistemas tecnológicos, errores humanos y deficiencias organizacionales. Enfoques tradicionales, como la regresión y la agrupación en clústeres, han demostrado ser inadecuados para analizar la naturaleza no lineal y volátil de los riesgos operativos en el contexto de la transformación digital. Para abordar estos desafíos, se propone un enfoque innovador que aprovecha conjuntos de redes neuronales y tecnologías de inteligencia artificial explicable (XAI). Este enfoque mejora la precisión e interpretabilidad de los pronósticos de riesgos de criticidad. El artículo presenta los resultados de estudios previos en los que se probaron perceptrones multicapa (DNN) y redes de función de base radial (RBFN) para la gestión de riesgos operativos en entidades de crédito. Estos modelos demostraron una alta precisión en la evaluación de la criticidad de los riesgos asociados a errores humanos, fallos de Tecnología Informática (TI) e interrupciones de los procesos de negocio. Las DNN demostraron ser eficaces en el análisis de interrelaciones complejas de datos, mientras que las RBFN mostraron un alto rendimiento en la clasificación de incidentes de TI. Con base en estos resultados, se propone el desarrollo de modelos que utilicen conjuntos de redes neuronales para mejorar la precisión de los pronósticos y la resiliencia a nuevos datos. Se aplican métodos XAI, como LIME y Grad-CAM, para interpretar los resultados de los modelos, garantizando la transparencia y la confianza en los procesos de toma de decisiones. El artículo también describe las líneas de investigación futuras y los pasos prácticos para implementar los enfoques propuestos en los sistemas de gestión de riesgos operacionales.