En una conversación exclusiva con Digital Trends, Javier Mancilla, CEO de Falcondale, nos comparte cómo su compañía está utilizando la computación cuántica para transformar el análisis de fraude y la evaluación de riesgo en la industria financiera. Desde mejoras en la precisión del modelo hasta la inclusión financiera, Mancilla explica las innovaciones y desafíos que enfrentan en este campo emergente.
Fundada por tres expertos en finanzas de Chile, España y Argentina, Falcondale ha desarrollado un modelo cuántico que promete revolucionar la evaluación de crédito y la detección de fraudes, superando las limitaciones de los métodos tradicionales. Mancilla detalla cómo esta tecnología puede marcar una diferencia significativa en fintechs, neobancos y bancos, y qué depara el futuro para la computación cuántica en el sector financiero.
- ¿Qué es Falcondale y qué los motivó a incorporar la computación cuántica en sus procesos de análisis de fraude y datos?
Falcondale es una compañía que fundamos tres socios; Javier Mancilla (Chile), Iraitz Montalbán (España) y Tomás Tagliani (Argentina), entre los 3 tenemos una amplia experiencia de 18 años en la industria de finanzas, específicamente en sistemas de underwriting bancario.
Lo que nos motivó a crear Falcondale es que luego de años de investigación y análisis, descubrimos que ciertas técnicas cuánticas aplicadas sobre ambientes simulados son capaces de proveer utilidad en fintechs, neobancos y bancos para modelos vinculados a análisis de riesgo, en especial fraude y score de crédito. Rescatando esta evidencia, es que desarrollamos nuestro modelo «SQS» que ha sido expuesto públicamente como ventajoso en comparación con el estado del arte de modelos clásicos de aprendizaje automático.
- ¿Cómo la tecnología de computación cuántica está cambiando la forma en que se analizan los fraudes comparado con las metodologías tradicionales?
En el contexto actual de entrenamiento de modelos de score de crédito o fraude, la computación cuántica no agrega velocidad ni rapidez, sino calidad del resultado.
En nuestro último paper publicado demostramos que nuestro modelo «SQS» mejora significativamente la visibilidad de los datos en zonas grises del análisis de riesgo, áreas donde los modelos tradicionales tienen peor desempeño cuando hay menos datos.
Esto permite a las instituciones financieras obtener una comprensión más profunda y precisa de los perfiles de riesgo, incluso cuando los datos disponibles son limitados o no concluyentes.
- ¿De qué manera la computación cuántica puede mejorar el análisis de crédito y la detección de fraudes en las solicitudes de crédito?
Lo que comprobamos y está en nuestro paper, fueron mejoras en la precisión del modelo.
Esto se traduce a que los equipos de scoring puedan dar una mayor aprobación con un riesgo igual o menor que el actual, o en su defecto mantener el tamaño del portafolio pero disminuir los impagos, o cualquier combinación que implique la utilidad o el beneficio de elegir mejores prospectos de crédito.
El impacto es enorme, porque estos son clientes que el modelo está dejando fuera siendo que su riesgo es comparable a los que su modelo hoy aprueba.
- ¿Podrían explicar algún caso de éxito donde su tecnología cuántica haya detectado un fraude que hubiese pasado desapercibido con los métodos convencionales?
Nosotros aplicamos nuestro modelo en un proyecto de la reconocida fintech española, Fintonic. Tenían que desarrollar un modelo de score de crédito para un subgrupo de sus usuarios. Nuestro modelo demostró superar el mismo modelo que ocupaban hasta hoy, siendo particularmente efectivo en muestras pequeñas, en donde precisamente las alternativas clásicas sufren. Existe un preprint publicado actualmente en el arXiv de Cornell University, por lo que es públicamente accesible el caso.
- ¿Cómo la tecnología de computación cuántica puede contribuir a la inclusión financiera y a otorgar crédito a personas que tradicionalmente han sido excluidas del sistema financiero?
Hay que pensar que la inclusión financiera depende de la capacidad de medir el riesgo para que sea sustentable. El problema es que esa medición depende de la calidad y cantidad de datos. Los métodos tradicionales funcionan bien cuando existen esas dos condiciones.
Nosotros estratégicamente hemos decidido profundizar nuestras soluciones en el ámbito microempresas y PYMEs, que es un sector históricamente afectado por la falta de crédito expédito y de fácil acceso.
Apuntamos a que nuestros modelos favorecerán sin duda la ampliación de portafolio a un riesgo fuertemente controlado para las entidades financieras, lo que en consecuencia impactará en más emprendedores y pequeños empresarios con créditos y capacidad de crecimiento.
- ¿Cuáles son los mayores desafíos que enfrentan al implementar la computación cuántica en el análisis de datos y qué oportunidades ven a futuro en este campo?
Para nuestros clientes la implementación es más bien simple, ya que operamos sobre simuladores cuánticos en la nube de Amazon y Azure en sus propios entornos.
Es clave el desarrollar más algoritmos que sean eficientes y adecuados al estado del arte de esta tecnología y su evolución.
El mayor desafío de los que operamos en computación cuántica es seguir creciendo en conjunto a las capacidades del hardware cuántico que aún está muy afectado por algunas imprecisiones basadas en el ruido que impacta este tipo de dispositivos.
- En términos de seguridad y privacidad, ¿cómo asegura Falcondale que el uso de computación cuántica no comprometa la información sensible de los clientes y se mantenga dentro de los estándares de protección de datos?
Tanto nuestras soluciones consultivas como SaaS operan en el entorno del cliente si éste lo solicita. Dado lo anterior, no existe peligro de que algunos datos se filtren o salgan de la infraestructura de la operación. Además de lo anterior, nosotros estamos en proceso de certificación SOC 2 TYPE 2 e ISO 27001.
