Skip to content
Implementar un framework de auditoría alineado con EU AI Act y NIST AI RMF para modelos de crédito, riesgo y trading.Evaluar fairness, estabilidad, explicabilidad y desempeño mediante métricas reproducibles.Diseñar controles de data governance, data lineage y calidad de datos en pipelines financieros.Elaborar reportes ejecutivos y audit packs trazables para comités, reguladores y auditoría interna.Identificar riesgos específicos en modelos QML y escenarios de ciberseguridad post-cuántica.Traducir hallazgos técnicos en decisiones de negocio, remediaciones y planes de control.
Riesgo de modelo en crédito, riesgo, trading y operaciones.Mapeo conceptual a EU AI Act y NIST AI RMF.Modelos de alto impacto en servicios financieros.Caso de uso base: modelo de scoring crediticio.
Linaje de datos de extremo a extremo.Data quality y controles de completitud, precisión y consistencia.Versionado de datasets.Controles de acceso y protección de PII.Uso responsable de synthetic data.Contratos de datos entre áreas de negocio, tecnología y riesgo.
Reproducibilidad de experimentos.Registro de seeds, ambientes, librerías y versiones.Trazabilidad de decisiones.Evidencia mínima para auditoría.Mentalidad de Model Risk Management aplicada a AI/ML.Estructura de un audit pack.
SHAP y LIME.Paridad demográfica.Equalized odds.Calibración y calidad de clasificación.Stress testing y sensitivity analysis.Evaluación de sesgos en modelos financieros.
Revisión del dataset.Evaluación de KPIs de desempeño.Análisis de fairness.Backtesting.Identificación de hallazgos.Propuesta de remediación.Construcción de un audit pack
Auditoría de prototipos QAOA y QML.Riesgos de explicabilidad en modelos híbridos cuántico-clásicos.Implicaciones del algoritmo de Shor.Inventario criptográfico.Riesgos de “harvest now, decrypt later”.Hoja de ruta de migración a criptografía post-cuántica.
¿El modelo es trazable y reproducible?¿Los datos utilizados son completos, consistentes y pertinentes?¿Existen diferencias de desempeño entre grupos?¿Las variables críticas son explicables ante negocio y regulador?¿Qué controles deben implementarse antes del despliegue?¿Cómo debe monitorearse el modelo en producción?
Auditoría y Gobernanza de Algoritmos
MODULO VIII del Diplomado Ejecutivo AI & Quantum Computing in Finance
Clases impartidas por de , autor de
Lecturer: Jorge Pérez Colín
Perfil: Business Data Scientist & Artificial Intelligence Specialist
Duración: 12 horas
Sesiones: 6 clases
Formato: Virtual en vivo
Horario: 6:00 pm – 8:00 pm, hora de la Ciudad de México
1. Resumen
La digitalización financiera ha multiplicado el uso de modelos de Machine Learning e Inteligencia Artificial en crédito, riesgo, trading, cumplimiento y operaciones. Estos modelos ya no son simples herramientas analíticas: se han convertido en activos críticos de negocio y, al mismo tiempo, en fuentes potenciales de riesgo si no cuentan con transparencia, trazabilidad, controles, explicabilidad y criterios de equidad.
Este módulo prepara a los participantes para auditar modelos algorítmicos de punta a punta: desde los datos y el diseño del modelo, hasta su despliegue, monitoreo y documentación ejecutiva. El enfoque cubre tanto modelos clásicos de AI/ML como primeros escenarios asociados a Quantum Machine Learning, ciberseguridad post-cuántica y migración criptográfica.
2. ¿Por qué este módulo es crítico?
Las instituciones financieras enfrentan una nueva generación de riesgos derivados del uso intensivo de algoritmos. Un modelo puede discriminar, degradarse, perder estabilidad, operar con datos defectuosos o generar decisiones difíciles de explicar ante reguladores, auditores, clientes y comités directivos.
La presión regulatoria global —incluyendo marcos como el EU AI Act y el NIST AI Risk Management Framework— está empujando a las organizaciones a formalizar mecanismos de auditoría algorítmica basados en evidencia reproducible, métricas de fairness, trazabilidad de datos, control de versiones, documentación técnica y reportes ejecutivos.
En paralelo, la llegada de tecnologías cuánticas y escenarios post-quantum obliga a extender la gobernanza desde el modelo y los datos hasta la seguridad criptográfica, el inventario de activos digitales y las hojas de ruta de migración.
3. Objetivos de aprendizaje
Al finalizar el módulo, el participante podrá:
4. Resultados medibles del módulo
Al terminar, cada participante habrá desarrollado o comprendido cómo construir:
Entregable
Descripción
Checklist de auditoría algorítmica
Evaluación estructurada de un modelo de scoring o riesgo
Dashboard de métricas
Performance, drift, fairness, explainability y estabilidad
Informe de auditoría
Hallazgos, riesgos, remediaciones y evidencia
Audit pack trazable
Documentación técnica, datos, modelo, supuestos y decisiones
Mapa de controles
Controles sobre datos, modelo, despliegue y monitoreo
Hoja de ruta post-quantum
Inventario cripto, riesgos y prioridades de migración
5. Contenido del módulo
Se revisa la nueva taxonomía de riesgos algorítmicos en instituciones financieras, incluyendo riesgos de sesgo, opacidad, degradación, falta de trazabilidad, dependencia tecnológica y errores de automatización.
Temas clave:
La auditoría algorítmica comienza antes del modelo: empieza en los datos. Esta sesión aborda los controles necesarios para asegurar calidad, trazabilidad, permisos, consistencia y uso responsable de datos.
Temas clave:
Sesión 3 — Metodologías de auditoría algorítmica
Se presentan metodologías prácticas para auditar modelos con evidencia mínima suficiente, reproducibilidad técnica y documentación adecuada para comités o reguladores.
Temas clave:
Sesión 4 — Explainability & Fairness
La sesión se centra en explicar y evaluar modelos desde dos perspectivas críticas: interpretación de decisiones y equidad algorítmica.
Temas clave:
Sesión 5 — Taller aplicado: auditoría de un modelo de scoring
Los participantes recorren el proceso completo de auditoría de un modelo de scoring: desde el dataset hasta la generación de hallazgos, métricas y remediaciones.
Actividades:
Sesión 6 — QML y ciberseguridad post-quantum
La última sesión introduce los riesgos diferenciales de modelos cuánticos y escenarios post-cuánticos. El objetivo no es prometer ventajas mágicas, sino desarrollar criterio para auditar prototipos, riesgos y hojas de ruta de transición.
Temas clave:
6. Caso integrador del módulo
Auditoría de un modelo de scoring crediticio
El caso integrador consiste en auditar un modelo de scoring utilizado para evaluar riesgo crediticio. Los participantes deberán revisar la calidad de los datos, evaluar el desempeño del modelo, identificar posibles sesgos, documentar los hallazgos y proponer acciones de remediación.
Preguntas guía:
7. Perfil ideal del participante
Este módulo es especialmente relevante para:
Perfil
Valor esperado
Directores de Riesgo
Fortalecer gobierno y validación de modelos
Auditores internos
Diseñar pruebas y evidencia para modelos AI/ML
Data Scientists
Documentar y explicar modelos con rigor
Compliance Officers
Alinear modelos con marcos regulatorios emergentes
CIOs / CTOs
Establecer controles sobre pipelines y despliegues
Equipos de ciberseguridad
Preparar escenarios post-quantum
Consultores financieros
Diseñar marcos de auditoría y gobernanza algorítmica
La ventaja competitiva en finanzas no vendrá únicamente de tener mejores modelos, sino de tener modelos auditables, explicables, gobernables y seguros.
La próxima generación de instituciones financieras deberá demostrar que sus algoritmos no solo predicen, sino que también cumplen, explican, resisten auditoría y operan bajo criterios claros de responsabilidad.
Auditar algoritmos no es frenar la innovación; es crear las condiciones para que la Inteligencia Artificial y la Computación Cuántica puedan escalar con confianza, cumplimiento y valor real para el negocio.
8. Instructor
es uno de los referentes en México en la intersección entre inteligencia artificial, analítica avanzada y decisiones de negocio. ComoManaging Partner de Business Data Scientists, ha ayudado a
organizaciones a convertir datos, modelos y capacidades de IA en decisiones más sólidas, escalables y con impacto económico.
Su trayectoria combina liderazgo empresarial, consultoría estratégica y formación ejecutiva de alto nivel. Ha sido Director de Analytics en Accenture México, Partner en IBM en la práctica de Cognitive Business
Decisions y CIO del IPADE, además de profesor y conferencista en instituciones como RiskMathics, EGADE, ITAM, IPADE, INALDE y PAD.
Autor de , una obra que aborda los principios, riesgos y prácticas para asegurar decisiones financieras auditables mediante sistemas avanzados de inteligencia artificial.
Autor de , obra que examina los límites, riesgos y retos de gobierno de la inteligencia artificial en la alta dirección.
9. Valor para el participante
Este módulo permite a los participantes desarrollar una competencia crítica para la nueva etapa de las finanzas algorítmicas: no solo construir o usar modelos, sino gobernarlos, auditarlos y defenderlos con evidencia.
El participante saldrá con un marco práctico para dialogar con equipos de data science, auditoría interna, cumplimiento, riesgo, tecnología, ciberseguridad y alta dirección.
Want to print your doc?
This is not the way.
This is not the way.
Try clicking the ··· in the right corner or using a keyboard shortcut (
CtrlP
) instead.