La Contabilidad en la Era del Conocimiento

Redes neuronales para analizar los datos financieros

1) ¿Qué son?

Las redes neuronales son una rama de la Inteligencia Artificial. En las redes neuronales el conocimiento se incorpora mediante el aprendizaje a partir de ejemplos.

Esta forma de adquirir el conocimiento es una de sus características más destacables: no se programa de forma directa, como en los sistemas expertos, sino que se adquiere a partir de ejemplos, por ajuste de parámetros de las neuronas mediante un algoritmo de aprendizaje.

Es un tipo de software muy utilizado para reconocimiento de patrones, como caracteres escritos, de voz, etc. La figura muestra un ejemplo de aplicación a reconocimiento de caracteres escritos.

Veremos que también se puede aplicar a reconocer patrones con información contable: por ejemplo aprender a distinguir empresas solventes o quebradas, buenos y malos clientes de una compañía de seguros o un banco, etc.

  Un juego basado en redes neuronales: 20q.net (http://20q.net), con 20.000.000 neuronas, frente a las 100.000.000.000.000 del cerebro humano.

 

2) ¿Cómo se trabaja con las redes neuronales?

La figura siguiente describe el procedimiento para operar con redes neuronales. Originalmente la red neuronal no dispone de ningún tipo de conocimiento útil almacenado. Para que la red neuronal ejecute una tarea es preciso entrenarla, en terminología estadística diríamos que es necesario estimar los parámetros.

Modo de trabajo con redes neuronales

3) Es un procedimiento estadístico

En realidad todo el procedimiento que vemos en la figura es estadístico: primero se selecciona un conjunto de datos, o patrones de aprendizaje en jerga neuronal. Después se desarrolla la arquitectura neuronal, número de neuronas, tipo de red. Por decirlo con otras palabras, se selecciona el modelo y el número de variables dependiente e independientes. Se procede a la fase de aprendizaje o estimación del modelo y a continuación se validan los resultados.

Una red neuronal para análisis contable

Siguiendo con nuestro ejemplo de los apartados anteriores, podemos animarnos a diseñar una red neuronal para analizar la solvencia de una empresa.

1) ¿Qué necesitamos?

En este caso, lo que solicitaríamos a nuestro experto no son reglas de decisión sino una base de datos con ejemplos de empresas que anteriormente han solicitado préstamos a nuestro banco. También precisaríamos un programa de redes neuronales -son baratos, pero en Internet hay muchos gratis que nos pueden servir para nuestras primeras pruebas-.

2) Los datos

De la base de datos deberíamos extraer un conjunto de ratios e indicadores para cada empresa, que formarán la base de patrones de aprendizaje. Nótese que en este problema en concreto disponemos también del output a aprender, que consiste en que para cada empresa sabemos si devolvió o no el préstamo. Podemos asignar un 1 a las empresas que devolvieron el préstamo y un 0 a las que no.

3) Selección del modelo

Por este motivo, podemos aplicar cualquier modelo de red neuronal con aprendizaje supervisado, el más utilizado es el llamado perceptrón multicapa. La arquitectura neuronal consiste en seleccionar el número de neuronas, capas y su configuración. Esto es algo delicado, puesto que la red aprende depende de ello, pero hay buenos libros que nos enseñan algunos trucos y su explicación matemática.

Seleccionaremos tantas neuronas en la primera capa como ratios o variables tengamos y una neurona en la capa de salida, que es la que tiene que distinguir a las empresas que devolvieron el préstamo de las que no.

Después empieza la fase de aprendizaje, en la que la red neuronal no hace magia, sino que ajusta una función matemática que trata de minimizar los errores, mediante un proceso de cálculo numérico iterativo. Al cabo de un rato, el error baja y ya tenemos la red neuronal lista.

Debemos hacer un test con datos de empresas que nos hemos guardado y no hemos utilizado para entrenar. La red neuronal nos dirá para esta nueva empresa la puntuación obtenida: 1 ó 0 y eso significa que sus ratios se parecen a los de las empresas buenas que devuelven sus préstamos o al revés.

Detección de fraude en tarjetas de crédito con redes neuronales artificiales

FUENTE: José Ramón Dorronsoro Ibero, Instituto de Ingeniería del Conocimiento de la Universidad Autónoma de Madrid (http://www.iic.uam.es)

En 1995 el IIC arrancó el proyecto MINERVA de detección de fraude en tarjetas de crédito, realizado en forma conjunta por el Instituto de Ingeniería del Conocimiento de la Universidad Autónoma de Madrid e IBM España para la Sociedad Española de Medios de Pago (SEMP), gestora en España de la mayor parte del tráfico de transacciones derivadas de tarjetas Visa.

El objetivo principal del proyecto es la construcción de un sistema on-line de recepción de información sobre transacciones, estimación de parámetros característicos de las mismas, y evaluación de su potencial riesgo de fraude. Dicho sistema opera bajo control del sistema informático de la SEMP y emite su calificación particular antes de que la transacción se remita a la entidad bancaria emisora de la tarjeta, que incorporar, eventualmente, dicha calificación a sus propios mecanismos de gestión del riesgo.

El tráfico que hay que analizar se ha descompuesto en cuatro grandes bloques: tráfico nacional, esto es, originado en España, tráfico europeo (fundamentalmente países de la CEE), tráfico norteamericano (EEUU, Canadá y México), y tráfico internacional restante (básicamente procedente de Sudamérica y Marruecos). La información utilizable en la evaluación, es la contenida en la propia transacción (número de tarjeta, importe, sector de actividad, tipo de transacción), así como otras variables derivadas computadas desde un registro histórico de transacciones previamente realizadas.

Uno de los principales objetivos de la gestión de transacciones de SEMP es la minimización de los tiempos de respuesta a clientes. Esto lleva consigo que el sistema de calificación funcione de forma totalmente integrada en el entorno de producción de SEMP. En particular, aunque la programación del mismo se haya realizado en C, su ejecución se efectúa dentro del entorno de operación CICS, y la gestión de datos debe responder al estándar CICS VSAM.

El sistema entró en funcionamiento en julio de 1996, siendo en la actualidad plenamente operativo y ofreciendo en el momento actual un funcionamiento altamente satisfactorio.

Un ejemplo real de utilización exitosa de redes neuronales es su uso para detectar fraudes en pagos electrónicos, especialmente en tarjetas de crédito. VISA fue la entidad pionera en utilizar redes neuronales para detectar operaciones fraudulentas, en combinación con otras herramientas.

f

2

Cada día se monitorizan millones de operaciones con un bajo coste, utilizando FICO Falcon™ Fraud Manager, (http://www.fico.com/en/Products/DMApps/Pages/FICO-Falcon-Fraud-Manager.aspx) que se ha consolidado como el estándar en detección de fraude en pagos con tarjetas de crédito, al supervisar el 65% de las operaciones que se realizan en el mundo.

jHacienda calculará el precio real de cada piso en busca de fraudes

Cinco Días (http://www.cincodias.com)

La Dirección General del Catastro, adscrita al Ministerio de Hacienda, ha puesto en marcha un programa para elaborar estimaciones del valor de cada vivienda a precios de mercado, con el fin de perseguir el fraude inmobiliario.

El esfuerzo estadístico es ímprobo. Para las estimaciones se está utilizando un programa informático diseñado por la Universidad Politécnica de Madrid sobre redes neuronales artificiales.

Easy Neural Network, reconocimiento de patrones

Instale y practique con el software de red neuronal Easy Neural Network (http://www.easynn.com) [software] [datos]. Vamos a construir una red neuronal que aprenda a valorar una vivienda, a partir de una serie de variables.

1) Se introducen los ejemplos que va a aprender a reconocer: [File] [Open] En este caso características de viviendas (número de habitaciones, si tiene garage...) y su precio final.

2) Se diseña el modelo de red neuronal: [View] [Network] En este caso tantas neuronas en la capa de entrada como variables y una neurona para el output,que es el precio.

3) Se deja unos segundos que "aprenda": [Action] [Start Learning] Podemos ver la importancia de cada variable... en el ejemplo se ve que el número de habitaciones es muy importante: [View] [Input Importance]

4) En la fase de "test" suministramos a la red neuronal nueva información y se obtiene el precio recomendado: [Query] [Query]

EJERCICIO: Pruebe un piso con 4 habitaciones y Garage...

Ir a CiberContaCitar como: Serrano Cinca C. (2013): "La Contabilidad en la Era del Conocimiento", [en línea] 5campus.org, Sistemas Informativos Contables <http://www.5campus.org/leccion/introduc> [y añadir fecha consulta]este Inicio leccion
[Índice]