Nos últimos anos, os Grandes Dados surgiram como resultado do aumento da disponibilidade e capacidade de armazenamento de dados. Os modelos ML (Machine Learning) usam esses dados como combustível que fornece as informações necessárias para desenvolver e melhorar as características e capacidades de reconhecimento de padrões. A Autoridade Bancária Européia (EBA) publicou em 2020 um relatório de grandes dados e análises avançadas, incluindo o ML. Além disso, em junho de 2021, a EBA publicou um relatório sobre o atual cenário RegTech na UE. Além disso, a EBA publicou um documento de discussão sobre o ML para modelos baseados em classificações internas (IRB).
Discussion Paper on Machine Learning for IRB models
Sumário executivo
A EBA publicou um documento de discussão sobre a aplicação de técnicas de ML na construção e validação de modelos utilizados na abordagem IRB. O documento visa analisar a relevância de potenciais barreiras à implementação de técnicas ML no âmbito da abordagem IRB, com base em algumas questões práticas. O documento também inclui os desafios e benefícios potenciais da utilização do ML, e estabelece alguns princípios e recomendações.
Conteúdo principal
Esta Nota Técnica resume os principais aspectos do Documento de Discussão:
- Definição, paradigmas de aprendizagem e uso atual do ML na modelagem de risco de crédito. As técnicas ML são caracterizadas por um grande número de parâmetros e, portanto, requerem um grande volume de dados para estimativa, de modo que os modelos sejam capazes de refletir relações não lineares entre as variáveis. Além desta definição geral, vários paradigmas de aprendizagem podem ser usados para treinar modelos.
- Desafios e benefícios potenciais das técnicas ML. A aplicação das técnicas de ML apresenta uma série de desafios e benefícios potenciais. Estes dependem do contexto de seu uso, da complexidade e da interpretabilidade dos modelos ML. O uso dessas técnicas coloca alguns desafios relacionados à governança corporativa, ao processo de implementação, à categorização das mudanças de modelo ou ao uso de dados não estruturados.
- Uso prudente das técnicas ML. As técnicas ML são mais complexas do que as técnicas tradicionais e às vezes menos transparentes. As recomendações específicas para esses modelos incluem conhecimento apropriado e aplicação de técnicas de interpretabilidade de modelos, tentando manter a complexidade mínima para seu uso, e aplicando técnicas apropriadas de validação de modelos.
Management Solutions tem um grupo de trabalho especializado que apóia seus clientes no desenvolvimento e implementação de seus projetos de Machine Learning com foco na interpretabilidade dos resultados e integração comercial - em cada uma das 6 linhas de atividade definidas: i) infra-estrutura de dados e TI; ii) modelagem; iii) validação; iv) interpretabilidade; v) regulamentação; e vi) outras.
Acessar o documento (somente disponível em Inglês).