VIII. Auditoría y Gobernanza de Algoritmos
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.
- 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'.
Horas:
18
18
Sesiones:
6
6
Fechas:
2026-07-06
2026-07-06
Horario:
POR CONFIRMAR
POR CONFIRMAR
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.
Dirigido a:
- 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
The Latest From The Best
Conoce a nuestro profesorado
