- 1. Sobre Bantotal
- 2. Desafio de negócio
- 3. Objetivo
- 4. Tecnologias aplicadas
- 5. Desarrollo de la Solución
- 6. Envío
- 7. Sobre la evaluación
Bantotal es la plataforma bancaria líder en América Latina, que resuelve la operativa de misión crítica de las Instituciones Financieras en forma simple y precisa.
La plataforma bancaria Bantotal ingresa al mercado en 1991 y se convierte en líder para América Latina. Su casa central se encuentra en Uruguay, donde también se ubican su Departamento de I+D, su Centro de Servicios de Mantenimiento global y su Centro de Capacitación. Cuenta con oficinas comerciales y de servicios en: Argentina, Chile, Colombia, México, Perú y Uruguay. Sus Centros de Desarrollo de Software están ubicados en Perú y Uruguay.
Bantotal entregará como premio un voucher de compra por valor de USD 500 (quinientos dólares) a las dos personas mejor puntuadas de su desafío.
Cada vez que un cliente solicita un crédito a una institución financiera se activan varios procesos y controles internos los cuales son necesarios para la evaluación de la solicitud recibida. De esta forma se analizan manualmente mucha información vinculada al perfil del cliente, destinos del crédito, actividad laboral, ingresos, condiciones de la vivienda entre otros datos demográficos. Adicionalmente la institución hace uso de los denominados Buró de créditos para conocer el historial crediticio del cliente para poder definir el perfil crediticio del cliente. Junto con otros historiales propios, información proveniente de otros créditos, nivel de cumplimiento y comportamiento en sus productos contratados la institución aprueba un monto a prestar y un plazo para su devolución o rechaza la solicitud.
El desafío consiste en crear un modelo de inteligencia artificial capaz de realizar un análisis de riesgo para predecir si se debe o no hacer un préstamo a un cliente. Para ello, se espera el uso de un modelo de Machine Learning capaz de realizar una clasificación. El modelo se puede desarrollar en la plataforma Watson Studio y debe publicarse en una instancia de Watson Machine Learning. El modelo debe entrenarse con el conjunto de datos disponible en este repositorio, que contiene datos de clientes bancarios, como datos demográficos, sobre sus cuentas y préstamos realizados.
Para este desafío, se utilizarán los siguientes servicios de IBM Cloud:
-
Watson Studio, también conocido como Cloud Pak for Data as a Service. Este servicio permite el uso de una variedad de herramientas relacionadas con la ciencia de datos, incluida la ejecución de Jupyter Notebooks con procesadores en la nube.
-
Watson Machine Learning (WML). Este servicio proporciona una serie de recursos para crear, capacitar y publicar modelos de aprendizaje automático. Para la validación del desafío, solicitamos a los participantes que envíen sus modelos en forma de publicación WML. De esta manera, pudimos probar el modelo a través de llamadas HTTP.
Recomendamos usar el lenguaje Python, con Jupyter Notebooks, , y es por eso que proporcionamos ejemplos de código con estas herramientas para usar en Watson Studio. Sin embargo, el participante es libre de usar el lenguaje y la herramienta que desee para resolver el desafío, siempre que pueda publicar el modelo en Watson Machine Learning. Puede consultar los frameworks compatibles en esta página.
Para realizar este desafío, debe cumplir con los siguientes requisitos previos:
- Regístrese en la Maratón Behind the Code y confirmar su correo electrónico de registro;
- Tener una cuenta de IBM Cloud, que puede ser una cuenta Lite o Pay-As-You-Go (no es necesario registrarse para el evento con la misma dirección de correo electrónico utilizada para crear su cuenta de IBM Cloud).
- Cree una instancia de los servicios del desafío en IBM Cloud: Watson Machine Learning (obligatorio). Object Storage y Watson Studio (opcionales);
- Si utiliza Watson Studio, descargue el proyecto e impórtelo a su servicio;
- Lea y ejecute las instrucciones contenidas en el Jupyter Notebook;
- Cambie, valide y pruebe su modelo de Machine Learning, hasta que esté satisfecho con el resultado;
- Cree un deployment de Watson Machine Learning con su modelo;
- Submita su solución en la página del desafío.
El desafío es desarrollar un modelo de Machine Learning para predecir el riesgo de un préstamo, basado en la información bancaria. Deberá explorar los datos, procesarlos y crear el modelo para la predicción.
El modelo debe recibir los siguientes datos como entrada:
[
"ID",
"CHECKING_BALANCE",
"PAYMENT_TERM",
"CREDIT_HISTORY",
"LOAN_PURPOSE",
"LOAN_AMOUNT",
"EXISTING_SAVINGS",
"EMPLOYMENT_DURATION",
"INSTALLMENT_PERCENT",
"SEX",
"OTHERS_ON_LOAN",
"CURRENT_RESIDENCE_DURATION",
"PROPERTY",
"AGE",
"INSTALLMENT_PLANS",
"HOUSING",
"EXISTING_CREDITS_COUNT",
"JOB_TYPE",
"DEPENDENTS",
"TELEPHONE",
"FOREIGN_WORKER"
]Y como salida un valor binario que representa si se debe permitir o no el préstamo (0 para no, 1 para sí).
Atención: los datos proporcionados en este desafío son ficticios, cualquier correlación con la realidad es mera coincidencia.
Para comenzar, siga el paso a paso a continuación para importar el proyecto del desafío con los datos y el Notebook en Watson Studio. Alternativamente, también puedes ejecutar el Notebook en otros entornos. En el Notebook encontrarás todas las instrucciones para crear un modelo de Machine Learning y publicarlo en Watson Machine Learning.
Primero, cree una instancia de Watson Studio en tu cuenta de IBM Cloud, si aún no la tienes, e ingrese a página de inicio de IBM Cloud Pak for Data as a Service a través de la instancia.
Descargue el archivo project.zip que se encuentra en este repositorio.
En la página de inicio, en la sección Work with data, haga clic en Create a project.
Después de abrir la nueva página, haga clic en Create a project from a sample or file.
Haga clic en Drop a file here or browse for file to upload o arrastre tu archivo al área resaltada.
Después de cargarlo, dé a tu proyecto un nombre y una descripción si lo desea.
¡Listo!
Ahora simplemente vaya a tu proyecto y a la pestaña Assets para ver la lista de archivos y Notebooks.
Desde aquí, podrás abrir el Notebook en tu proyecto y seguir las instrucciones que contiene para llevar a cabo el desafío.
Una vez tenga el modelo listo y online en una instancia de Watson Machine Learning, el último paso es realizar el envío. Recuerda que solo se aceptará un envío para el desafío, así que pruébelo bien antes de enviarlo.
Para enviar, debe acceder a la página de desafío: https://maratona.dev/challenges/1 y enviar sus credenciales de servicio, junto con un archivo .zip, hasta 10 MB, que contiene el código fuente de la solución (recuerde eliminar las dependencias y los conjuntos de datos para que no ocupen espacio). La página se hara uma prueba para verificar que las credenciales sean correctas.
Las evaluaciones solo comenzarán después de la primera semana del desafío. Una vez enviadas, las credenciales para acceder a su solución se guardarán y se utilizarán para la evaluación posteriormente. ¡No elimine ningún servicio utilizado para el desafío antes de la evaluación! Si los servicios cuyas credenciales fueron enviadas no están disponibles en la fecha de evaluación, la submisión se calificará con cero. En ese caso, se permitirá un nuevo envío.
Podrá seguir el estado del envío accediendo a la página del desafío, iniciando sesión en su cuenta.
Una semana después del inicio del desafío, uestro sistema de evaluación automatizado iniciará las evaluaciones. Utilizará las credenciales enviadas para probar el modelo enviado y calculará una puntuación numérica del 1 al 100, baseado en la métrica F1. Su solución debe estar alojada en Watson Machine Learning y el archivo .zip enviado debe contener todo el código utilizado para obtener la solución. De lo contrario, la puntuación se cero.
Si el desafío se entrega dentro del plazo de envío (hasta el 21 de noviembre), el participante recibirá una bonificación del 10% de la puntuación total (10 puntos), independientemente del resultado de su desafío. Por tanto, la puntuación máxima posible es 110 (puntuación de 100 + bonificación de 10).
Después del plazo de envío, el participante aún puede realizar su envío hasta el 12 de diciembre, pero sin recibir el bono.
Atención: nos reservamos el derecho de darle a um envío cero de puntuación si:
- El código fuente enviado no es consistente con los resultados obtenidos de las pruebas en el modelo.
- Se detecta plagio, de uno o más participantes. En este caso, se dará cero puntos al desafio entregado por todos los participantes con la misma solución.
- Documentación de Watson Machine Learning
- Introducción a IBM Watson Studio
- Toma el control de tus datos con Watson Studio
- Visualizar datos con Python
- Generar un Python notebook para modelos de pipeline usando AutoAI
- Automatizando Machine Learning como un campeón con Watson AutoAI
- Despliega tu modelo de Machine Learning en la nube con Watson
- ¿Qué es la Analítica predictiva?
- Cree una solución predictiva
- Introducción a IBM Cloud Pak for Data
- Desarrollar modelos de machine learning con y sin AutoML
- Ponga en marcha una solución predictiva
- Ética de Datos: 5 razones de sesgo en modelos de Machine Learning y cómo evitarlos
- Cómo resolver un problema de negocio y pronosticar la rotación de clientes utilizando un conjunto de datos de pérdida de clientes
- Crea un modelo predictivo de machine learning de manera rápida y sencilla con IBM SPSS Modeler
- Construir un predictor del mercado de valores
Recuerda que puedes acceder al Discord oficial del Maratón 2021 para hacer preguntas y/o interactuar con otros participantes: Discord.
Copyright 2021 Maratona Behind the Code
Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with the License. You may obtain a copy of the License at
http://www.apache.org/licenses/LICENSE-2.0
Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the specific language governing permissions and limitations under the License.