Analista de Crédito com IA: Scoring e Previsão de Inadimplência

Sobre o curso

Módulo 1: BI e Análise Inteligente de Dados

Foco: Análise descritiva, diagnóstica e preditiva de dados financeiros.
Tecnologias (Apps/IA): Power BI Copilot, Tableau GPT, ThoughtSpot e Google Cloud AI.
Exemplo Prático: Utilizar linguagem natural para criar dashboards automáticos que explicam a variação da inadimplência em diferentes regiões ou perfis de clientes.

Módulo 2: Machine Learning Aplicado ao Credit Scoring

Foco: Treinamento de modelos preditivos para classificar o risco de crédito e prever a inadimplência.
Tecnologias (Apps/IA): Bibliotecas Python (Scikit-learn, Pandas), XGBoost, LightGBM, Random Forest e Regressão Logística.
Exemplo Prático: Construir um motor de crédito que avalia a probabilidade de um cliente se tornar inadimplente com base no seu histórico financeiro, substituindo a análise manual.

Módulo 3: Engenharia de Atributos e MLOps (Operações de Machine Learning)

Foco: Automação da preparação de dados e manutenção contínua dos modelos em produção.
Tecnologias (Apps/IA): Deep Feature Synthesis (DFS), Marginal Information Value (MIV) e pipelines de MLOps (como o framework PDx).
Exemplo Prático: Gerar variáveis preditivas automaticamente a partir de dados transacionais complexos e criar um sistema que monitora e retreina o modelo de crédito continuamente para evitar que ele fique desatualizado.

Módulo 4: Governança, Fairness (Equidade) e Automação Operacional

Foco: Garantir que as decisões da IA sejam justas, explicáveis e aplicadas à auditoria financeira.
Tecnologias (Apps/IA): Biblioteca Fairlearn e IAs de auditoria (como Hórus e IntelliScan).
Exemplo Prático: Aplicar restrições no algoritmo para mitigar vieses discriminatórios (como gênero ou idade) na concessão de crédito, além de usar IA para auditoria automática de despesas e detecção de fraudes

Sem avaliações ainda