Inteligencia artificial

Los sistemas basados en inteligencia artificial replican comportamientos que consideramos inteligentes, por lo que implican en términos de capacidad para adquirir y actializar conocimientos, y emplearlo creativamente para evaluar situaciones o diagnosticar problemas.

Las redes de neuronas artificiales (RNA) almacenan este conocimiento de manera implícita, en una estructura de elementos de procesamiento (neuronas), conectados a través de un entramado de relaciones cuyo diseño permite que algunas neuronas estén activas o inactivas en función de la naturaleza e intensidad de los estímulos que reciben. La red adquiere el conocimiento a través de un proceso de entrenamiento, en el que se le presentan casos (definidos por las variables de entrada, por ejemplo ratios financieras) y la salida o diagnóstico deseado (por ejemplo, la empresa es pagadora); una vez comprobado que el aprendizaje es correcto, la red puede ser empleada para realizar diagnósticos y también para formular pronósticos. La principal fortaleza de las RNA es su capacidad para detectar variables y relaciones implícitas en los datos; por tanto, la red no se limita a utilizar mecánicamente los datos que se le aportan: es capaz de interpretarlos, de inferir nuevo conocimiento, y de utilizarlo para diagnosticar nuevos casos, de manera similar a como hacen las personas a quienes atribuimos experiencia o competencia profesional.

Vamos a entrenar una red neuronal simple, concretamente una red de perceptrones multicapa, con las empresas pagadoras y fallidas que hemos empleado más arriba para ilustrar el uso del análisis discriminante. Nuestra red va a tener una sola capa oculta con 10 neuronas; la capa de entrada tendrá dos elementos (uno por cada ratio) y la de salida otros dos (uno por cada estado: pagadora, o morosa). Haremos que nuestra red aprenda empleando el algoritmo de momentum, presentándole los casos uno a uno (on-line). La tabla inferior muestra los resultados de nuestra red (MLP-1-O-M) y de otros diseños alternativos:

• Un perceptrón multicapa con aprendizaje basado en el algoritmo Levenberg-Marquardt y presentación conjunta (batch) de la muestra de aprendizaje
• Una red probabilística
• Una red generalizada (retroalimentada)
• Una máquina de soporte vectorial

Es importante tener en cuenta que el aprendizaje con una muestra tan pequeña es simplemente imposible, y que de hecho es muy probable que la red esté sobreentrenada - es decir, que en lugar de inferir patrones haya aprendido los casos -; los resultados mostrados a continuación pretenden una finalidad meramente ilustrativa.

Nuestra red (MLP 1-O-M) logra una tasa de acierto del 78% en el entrenamiento, y del 100% en la de validación cruzada, lo que en principio es satisfactorio. Las matrices de confusión nos ayudan a comprender cómo se comporta la red: en la fase de entrenamiento la red acierta el 100% de los casos de empresas sanas, pero falla en un 22% de los casos de morosas (que son calificadas como pagadoras: por tanto, comete una proporción bastante alta de errores de tipo I); en la validación cruzada, no se cometen errores de clasificación.

La red nos ofrece también estimaciones del peso relativo de cada variable de entrada en el diagnóstico final. La ratio de tesorería parece ser la más relevante, especialmente de cara a clasificar a una empresa como morosa - por tanto la red infiere que son más importantes las tensiones de tesorería que el nivel de endeudamiento -.

También podemos conocer la incidencia relativa de los valores de cada variable, es decir: un aumento en la tesorería, ¿aumenta, o reduce la verosimilitud de que la empresa sea clasificada como potencialmente morosa? La relación entre tesorería y riesgo de morosidad, ¿es lineal, exponencial, acumulativa...? La red sugiere que los valores más elevados de la tesorería son claramente determinantes, y que su incidencia en el riesgo es acumulativa (una pequeña variación positiva en la ratio de tesorería incrementa sustancialmente la verosimilitud de que la empresa sea pagadora; a sensu contrario, una pequeña disminución en esa ratio aumenta rápidamente las sospechas de una potencial conducta morosa); los signos de las relaciones son los esperados (mayor tesorería se corresponde con mayor verosimilitud de resultar clasificado como pagador); también son correctos los signos estimados para el nivel de deuda, si bien la incidencia de esta variable parece ser más o menos proporcional al apalancamiento.

Pero recuerde que el objetivo de la red no es únicamente adquirir conocimiento y proporcionar explicaciones sino, también, formular pronósticos. En el caso de nuestro nuevo cliente, con tesorería = 0,5 y endeudamiento a corto plazo = 0,9, la red proporciona las siguientes puntuaciones:

• Para el output pagador, una puntuación igual a 0,36
• Para el output moroso, una puntuación igual a 0,65

de manera que deberíamos entender que el cliente es potencialmente fallido, en concordancia con lo advertido por el modelo discriminante.