1. Surgimiento de la inteligencia artificial
  2. Hitos clave en la evolución de la IA
  3. Principales investigadores y aportaciones
  4. Impacto histórico en el sector financiero

  1. Definición de inteligencia artificial
  2. Diferencias entre IA débil y fuerte
  3. Concepto de aprendizaje automático
  4. Rol del aprendizaje automático en la IA

  1. Definición de machine learning
  2. Características de machine learning
  3. Comparativa entre IA, ML y DL
  4. Casos de uso en el sector financiero

  1. Algoritmos supervisados más utilizados
  2. Algoritmos no supervisados relevantes
  3. Selección del algoritmo adecuado
  4. Aplicaciones prácticas en la banca

  1. Automatización de procesos bancarios
  2. Detección de fraudes financieros
  3. Gestión de riesgos mediante IA
  4. Personalización de servicios financieros

  1. Desafíos técnicos en la implementación
  2. Limitaciones de los modelos actuales
  3. Barreras culturales y organizativas
  4. Riesgos asociados a la IA en banca

  1. Principios éticos en IA
  2. Tipos de sesgo algorítmico
  3. Consecuencias del sesgo en banca
  4. Estrategias para mitigar el sesgo

  1. Avances tecnológicos emergentes
  2. IA explicable y transparente
  3. Integración de IA con blockchain
  4. Perspectivas de innovación en banca

  1. Tipos de entidades bancarias
  2. Procesos internos clave
  3. Relación con organismos reguladores
  4. Importancia de la confianza en el sistema

  1. Gestión de cuentas y depósitos
  2. Procesos de crédito y préstamos
  3. Transferencias y pagos electrónicos
  4. Control de operaciones y auditoría

  1. Bancos y entidades financieras
  2. Organismos supervisores nacionales
  3. Reguladores internacionales
  4. Colaboración entre entidades y reguladores

  1. Fraude de identidad
  2. Falsificación de documentos
  3. Fraude en transferencias
  4. Suplantación de cuentas

  1. Phishing y ciberataques
  2. Fraude en banca online
  3. Malware y troyanos bancarios
  4. Amenazas emergentes en canales digitales

  1. Costos directos del frade
  2. Pérdida de confianza del cliente
  3. Daños a la reputación institucional
  4. Estrategias de recuperación post-fraude

  1. Estudio de casos emblemáticos
  2. Métodos de investigación de fraudes
  3. Lecciones aprendidas de incidentes
  4. Mejores prácticas tras un fraude

  1. Políticas de prevención de fraude
  2. Herramientas tecnológicas de control
  3. Capacitación y concienciación del personal
  4. Evaluación continua de riesgos

  1. Datos estructurados y no estructurados
  2. Bases de datos internas y externas
  3. Fuentes abiertas y privadas
  4. Relevancia de los datos en la detección de fraude

  1. Extracción de datos de sistemas bancarios
  2. Integración de datos de múltiples fuentes
  3. Automatización en la recolección de datos
  4. Validación y verificación de datos

  1. Identificación de datos inconsistentes
  2. Tratamiento de valores atípicos y nulos
  3. Normalización y estandarización
  4. Herramientas para el preprocesamiento

  1. Técnicas de visualización de datos
  2. Estadísticas descriptivas básicas
  3. Identificación de patrones y tendencias
  4. Detección de anomalías iniciales

  1. Métodos estadísticos para detectar anomalías
  2. Algoritmos de clustering en detección de fraude
  3. Análisis de transacciones inusuales
  4. Evaluación de alertas generadas

  1. Herramientas de visualización financiera
  2. Dashboards para monitoreo de fraude
  3. Interpretación de gráficos y reportes
  4. Presentación efectiva de resultados

  1. Plataformas de análisis financiero
  2. Herramientas opensource y comerciales
  3. Integración de herramientas con sistemas bancarios
  4. Ventajas y limitaciones de cada herramienta

  1. Definición de calidad de datos
  2. Estrategias para mejorar la calidad de los datos
  3. Gestión de datos maestros en banca
  4. Impacto de la calidad en la detección de fraude

  1. Identificación de variables relevantes
  2. Técnicas de selección de características
  3. Construcción y partición de datasets
  4. Importancia del muestreo en fraude

  1. Regresión logística en detección de fraude
  2. Árboles de decisión y Random Forest
  3. Redes neuronales básicas
  4. Evaluación de modelos

  1. Algoritmos de clústering: DBSCAN, K-means
  2. Detección de outliers en datos financieros
  3. Aplicaciones de autoencoders
  4. Limitaciones de modelos no supervisados

  1. Métricas de rendimiento (precision, recall, F1)
  2. Validación cruzada y holdout
  3. Análisis de falsos positivos y negativos
  4. Selección del mejor modelo

  1. Ajuste de umbrales de decisión
  2. Uso de modelos ensemble
  3. Reentrenamiento con nuevos datos
  4. Revisión manual y automática de alertas

  1. Herramientas de interpretabilidad (LIME, SHAP)
  2. Explicación de decisiones a usuarios
  3. Transparencia en modelos de IA
  4. Regulación y exigencias de explicabilidad

  1. Arquitectura de integración de modelos
  2. APIs y microservicios para IA
  3. Monitorización de modelos en producción
  4. Actualización y mantenimiento continuo

  1. Fundamentos de IA generativa en banca
  2. Modelos generativos más utilizados
  3. Aplicaciones en generación de datos sintéticos
  4. Beneficios y riesgos en el sector financiero

  1. Introducción al procesamiento del lenguaje natural
  2. Análisis de texto en aplicaciones bancarias
  3. Análisis de comunicaciones y correos sospechosos
  4. Automatización de alertas mediante PLN

  1. Técnicas de análisis de emails
  2. Detección de phishing con IA
  3. Clasificación automática de mensajes
  4. Herramientas para análisis de comunicaciones

  1. Procesamiento de documentos con IA
  2. Reconocimiento de patrones en documentos
  3. Verificación de autenticidad documental
  4. Integración con sistemas bancarios

  1. Modelos de lenguaje preentrenados
  2. Generación automática de alertas
  3. Personalización de mensajes de advertencia
  4. Evaluación de la efectividad de alertas

  1. Análisis semántico de transacciones
  2. Procesamiento sintáctico de textos
  3. Detección de intenciones fraudulentas
  4. Aplicaciones en monitoreo de comunicaciones

  1. Flujos automáticos de revisión
  2. Extracción de información relevante
  3. Validación de documentos en tiempo real
  4. Reducción de errores humanos con IA

  1. Sesgos en modelos de lenguaje
  2. Riesgos de interpretaciones erróneas
  3. Limitaciones técnicas actuales
  4. Estrategias de mitigación de riesgos