El programa

Descripción

Los modelos financieros dejaron de ser herramientas técnicas para convertirse en activos críticos de decisión: aprueban, rechazan, priorizan, alertan, bloquean, cotizan y asignan capital. La pregunta del regulador cambió: ya no es «¿el modelo predice bien?», sino «¿el sistema completo que usa AI está gobernado, documentado, supervisado, probado, monitoreado y sujeto a rendición de cuentas?». El caso Apple Card (2019–2021) demostró que una institución puede enfrentar escrutinio público, regulatorio y reputacional aunque no se pruebe ninguna violación legal — simplemente porque no logra explicar con claridad cómo una decisión algorítmica afecta el acceso al crédito.

Este Curso Ejecutivo de 6 sesiones recorre el ciclo completo de una decisión auditable bajo el marco del Decision Operating System (DOS): el algoritmo como activo crítico, el marco regulatorio (EU AI Act, NIST AI Risk Management Framework y SR 11-7), el data governance auditable (BCBS 239, linaje, calidad y trazabilidad del dato), la auditoría técnica de modelos (reproducibilidad, backtesting, drift y despliegue controlado), explainability y fairness (LIME, SHAP), el audit pack como evidencia viva del hallazgo a la remediación, y la frontera emergente del riesgo post-cuántico con los estándares NIST 2024–2025 (ML-KEM, ML-DSA, SLH-DSA y HQC). Es el Módulo VIII del Diplomado Ejecutivo AI & Quantum Computing in Finance, e imparte el curso el propio autor del libro base, Jorge Pérez Colín.

No es un curso de apuntes. Cada sesión cierra con un capstone grupal sobre plantillas operativas tomadas directamente del libro, de modo que el participante no se lleva notas: se lleva el expediente de una decisión auditable — mapa de riesgos, matriz regulatoria, ficha de data lineage, dictamen técnico, model card y agenda post-cuántica institucional.

Hacia dónde llegas

Objetivo general

Al finalizar el curso, el participante será capaz de gobernar decisiones algorítmicas financieras de extremo a extremo: evaluar el algoritmo como activo crítico de decisión, mapear sus obligaciones regulatorias, auditar el dato que lo alimenta, verificar la reproducibilidad técnica del modelo, exigir explicabilidad y fairness con criterio ejecutivo, y construir el audit pack que convierte hallazgos en remediaciones — incluyendo la agenda de preparación post-cuántica de su institución.

Lo que vas a dominar

Objetivos de aprendizaje

Entender todo algoritmo financiero como un componente del Decision Operating System (DOS) y diseñar la arquitectura mínima de una decisión auditable.
Mapear las obligaciones regulatorias de una decisión algorítmica frente a EU AI Act, NIST AI RMF y SR 11-7, identificando brechas de evidencia.
Auditar la gobernanza del dato bajo BCBS 239: linaje extremo a extremo, calidad, definición común, versionado y permisos.
Verificar la reproducibilidad técnica completa de un modelo y exigir backtesting, stress testing y análisis de sensibilidad previos al despliegue.
Establecer controles de drift y degradación y un despliegue controlado con model registry, UAT, CI/CD y rollback.
Aplicar explainability con LIME y SHAP y criterios de fairness para juzgar la calidad de la decisión ante el cliente, el comité y el supervisor.
Integrar el audit pack ejecutivo como evidencia viva que conecta el hallazgo con la remediación ante comités.
Construir la agenda post-cuántica institucional considerando los estándares NIST (ML-KEM, ML-DSA, SLH-DSA, HQC) y la amenaza 'harvest now, decrypt later'.

Por qué tomarlo

10 razones para inscribirte

01Porque los algoritmos ya aprueban, rechazan y asignan capital — y alguien tiene que responder por ellos.
02Porque el EU AI Act clasificó el scoring crediticio como sistema de alto riesgo, con obligaciones directas de gobernanza.
03Porque NIST AI RMF y SR 11-7 son hoy el lenguaje común entre supervisores, auditores y comités.
04Porque el caso Apple Card demostró que el costo reputacional llega aunque no haya violación legal.
05Porque toda decisión algorítmica empieza en el dato — y BCBS 239 exige linaje, calidad y agregación confiable.
06Porque un modelo que no puede reproducirse —datos, ambiente, semillas, parámetros— no es un modelo: es un artefacto frágil.
07Porque explainability (LIME, SHAP) y fairness no son lujo técnico: son calidad de la decisión ante clientes y supervisores.
08Porque el audit pack convierte hallazgos en remediaciones — la evidencia viva que piden comités y reguladores.
09Porque el riesgo post-cuántico ya tiene estándares (ML-KEM, ML-DSA, SLH-DSA, HQC) y la migración es un programa real de reducción de riesgo.
10Porque sales con productos operativos: mapas de riesgo, checklists, fichas de linaje, model cards y agenda post-cuántica.

Diseñado para ti

¿Quién debe asistir?

Miembros de consejos de administración y comités de riesgo y auditoría que deben responder por decisiones tomadas por algoritmos
Directores y oficiales de riesgo de modelos (Model Risk Management) y validación independiente
Responsables de oficinas de modelo, analytics y ciencia de datos en banca y servicios financieros
Directores y áreas de tecnología (CIO/CTO) y de transformación de AI/datos
Auditores internos y de cumplimiento que evalúan sistemas de scoring, fraude y pricing
Oficiales de cumplimiento regulatorio y gobierno de datos (data governance) bajo BCBS 239 y marcos de AI

Contenido

Temario

Sesión 1 — El algoritmo como activo crítico de decisión: transformación algorítmica de las finanzas, el caso Apple Card, la arquitectura mínima de una decisión auditable y el Decision Operating System (DOS).
Sesión 2 — Marco regulatorio y principios de gobernanza: EU AI Act (2024), NIST AI RMF y SR 11-7; de la responsabilidad difusa a la rendición de cuentas.
Sesión 3 — Data governance auditable: BCBS 239, linaje extremo a extremo, calidad, definición común, versionado y permisos; obligaciones de datos del EU AI Act.
Sesión 4 — Auditoría técnica de modelos: reproducibilidad completa, backtesting, stress testing, drift y degradación, despliegue controlado (model registry, UAT, CI/CD, rollback).
Sesión 5 — Explainability & fairness de la decisión: LIME y SHAP, el caso COMPAS y la lección de fairness ante el cliente, el comité y el supervisor.
Sesión 6 — El audit pack y la frontera post-cuántica: evidencia viva del hallazgo a la remediación; QML, optimización cuántica y estándares NIST (ML-KEM, ML-DSA, SLH-DSA, HQC); la agenda post-cuántica institucional.

Faculty

Instructor

Jorge Pérez Colín

Auditoría y Gobernanza de Algoritmos

Autor del libro base "Auditoría y Gobernanza de Algoritmos" (Decision Operating System Series). Director y cofundador de BDS · Business Data Scientists. Ex-Director de Analytics de Accenture México, Ex-Partner de IBM (Cognitive Business Decision Services) y Ex-CIO del IPADE Business School.