Limitaciones del Modelo

Última actualización: May 22, 2026

DATA CRED · LIMITACIONES DEL MODELO · SISTEMAS DE INTELIGENCIA ARTIFICIAL Y APRENDIZAJE AUTOMÁTICO

Versión del Documento: 1.0

Fecha de Entrada en Vigor: 22 de mayo de 2026

Jurisdicción: Wyoming, Estados Unidos de América

Emisor: DataCred LLC ("DataCred," "nosotros," "nos" o "nuestro")

ESTE DOCUMENTO CONTIENE DIVULGACIONES EXHAUSTIVAS SOBRE LAS LIMITACIONES INHERENTES, SUPUESTOS Y RIESGOS ASOCIADOS CON LOS MODELOS DE INTELIGENCIA ARTIFICIAL Y APRENDIZAJE AUTOMÁTICO DE DATA CRED UTILIZADOS EN SUS SISTEMAS DE ANÁLISIS CONDUCTUAL Y PUNTUACIÓN. AL ACCEDER, UTILIZAR O CONFIAR EN CUALQUIER RESULTADO DE UN MODELO DE DATA CRED, USTED RECONOCE QUE HA LEÍDO, ENTENDIDO Y ACEPTA TODOS LOS TÉRMINOS, CONDICIONES, LIMITACIONES Y DESCARGOS DE RESPONSABILIDAD ESTABLECIDOS EN EL PRESENTE DOCUMENTO.

LOS MODELOS DE IA/ML DE DATA CRED SON HERRAMIENTAS DE INVESTIGACIÓN EXPERIMENTALES, NO SISTEMAS DE DECISIÓN CERTIFICADOS. ESTÁN SUJETOS A LIMITACIONES FUNDAMENTALES QUE INCLUYEN PERO NO SE LIMITAN A: RESTRICCIONES DE INTERPRETABILIDAD DE CAJA NEGRA, SESGO EN LOS DATOS DE ENTRENAMIENTO, DERIVA DE CONCEPTO, DETERIORO DEL MODELO, CAMBIO DISTRIBUCIONAL, VULNERABILIDAD ADVERSARIA Y TODAS LAS DEMÁS LIMITACIONES DESCRITAS EN ESTE DOCUMENTO.

NO LEER Y COMPRENDER LAS LIMITACIONES DE ESTE DOCUMENTO ANTES DE CONFIAR EN CUALQUIER RESULTADO DEL MODELO PUEDE RESULTAR EN DAÑOS FINANCIEROS, LEGALES Y REPUTACIONALES SUSTANCIALES. USTED ASUME TODOS LOS RIESGOS ASOCIADOS CON CUALQUIER USO O DEPENDENCIA DE LOS RESULTADOS DE LOS MODELOS DE DATA CRED.

1. DEFINICIONES E INTERPRETACIÓN

2. TIPOS DE MODELOS DE IA/ML UTILIZADOS · DESCRIPCIÓN GENERAL

3. LIMITACIONES INHERENTES DEL MODELO

4. LIMITACIONES DE LOS DATOS DE ENTRENAMIENTO

5. LIMITACIONES DE LA VALIDACIÓN DEL MODELO

6. CUANTIFICACIÓN DE LA INCERTIDUMBRE DEL MODELO

7. TASAS DE FALSOS POSITIVOS Y FALSOS NEGATIVOS

8. EQUIDAD Y SESGO DEL MODELO

9. ROBUSTEZ ADVERSARIA

10. ACTUALIZACIONES CONTINUAS DEL MODELO

11. LIMITACIONES DE EXPLICABILIDAD

12. DESCARGO COMPLETO DE PRECISIÓN E IDONEIDAD DEL MODELO

13. SIN RESPONSABILIDAD POR ERRORES DEL MODELO

14. MODELOS COMO HERRAMIENTAS DE INVESTIGACIÓN EXPERIMENTALES

15. DERECHO A MODIFICAR, REEMPLAZAR O RETIRAR MODELOS

16. SIN CERTIFICACIÓN REGULATORIA DE LOS MODELOS

17. LIMITACIONES DE LA SUPERVISIÓN HUMANA

18. TRANSPARENCIA DEL MODELO VS. PROTECCIÓN DE SECRETOS COMERCIALES

19. LEY APLICABLE Y RESOLUCIÓN DE DISPUTAS

20. RECONOCIMIENTO Y ACEPTACIÓN

A efectos del presente documento, los siguientes términos tendrán los significados que se les atribuyen a continuación:

"Caso Adversario" significa una entrada a un modelo de aprendizaje automático que ha sido intencionalmente modificada o diseñada para provocar que el modelo produzca un resultado incorrecto o inesperado.

"Robustez Adversaria" significa la capacidad de un modelo para resistir la manipulación adversaria o producir resultados fiables a pesar de entradas adversarias.

"Sesgo Algorítmico" significa la discriminación sistemática e injusta en los resultados del modelo que perjudica a ciertos grupos o individuos.

"Problema de Caja Negra" o "Limitación de Interpretabilidad" significa la dificultad inherente para comprender, explicar o rastrear cómo un modelo de aprendizaje automático llega a sus resultados, particularmente en modelos complejos como las redes neuronales profundas.

"Deriva de Concepto" significa el cambio en las propiedades estadísticas de la variable objetivo (el concepto que se predice o evalúa) a lo largo del tiempo, lo que hace que los modelos entrenados con datos históricos sean menos relevantes o precisos.

"Envenenamiento de Datos" significa la manipulación intencional de los datos de entrenamiento para comprometer el rendimiento del modelo o introducir sesgos específicos.

"Cambio Distribucional" significa el cambio en la distribución de los datos de entrada entre el entorno de entrenamiento y el entorno de implementación, lo que puede provocar una degradación del rendimiento del modelo.

"Explicabilidad" significa el grado en que el funcionamiento interno y los procesos de decisión de un modelo pueden ser comprendidos y articulados por los seres humanos.

"Falso Negativo" significa un resultado del modelo que no logra identificar un patrón, característica o resultado que realmente está presente.

"Falso Positivo" significa un resultado del modelo que identifica un patrón, característica o resultado que realmente no está presente.

"Modelo de Aprendizaje Automático" o "Modelo de IA" o "Modelo" significa cualquier sistema algorítmico, modelo estadístico, red neuronal o proceso computacional utilizado por DataCred para analizar datos y generar resultados, incluyendo pero no limitado a modelos de clasificación, modelos de regresión, algoritmos de agrupamiento, sistemas de detección de anomalías y métodos de conjunto.

"Deterioro del Modelo" significa la degradación del rendimiento del modelo a lo largo del tiempo a medida que cambia la relación entre las entradas y las salidas.

"Validación del Modelo" significa el proceso de evaluar el rendimiento del modelo, típicamente mediante pruebas con datos reservados o en entornos controlados.

"Sobreajuste" significa un error de modelado que ocurre cuando un modelo aprende los datos de entrenamiento con demasiada precisión, incluyendo su ruido y fluctuaciones aleatorias, lo que resulta en un rendimiento deficiente con datos nuevos no vistos.

"Variable Proxy" significa una variable utilizada en un modelo que no es en sí misma una característica protegida pero está suficientemente correlacionada con una característica protegida que puede servir como proxy para esa característica.

"SHAP" (SHapley Additive exPlanations) significa un enfoque de teoría de juegos para explicar los resultados del modelo atribuyendo contribuciones a características individuales.

"Datos de Entrenamiento" significa los datos utilizados para entrenar, desarrollar o calibrar un modelo, incluyendo características, etiquetas y metadatos.

"Subajuste" significa un error de modelado que ocurre cuando un modelo es demasiado simple para capturar la estructura subyacente de los datos, lo que resulta en un rendimiento deficiente tanto en los datos de entrenamiento como en los nuevos.

A menos que el contexto requiera lo contrario: (a) las palabras en singular incluyen el plural y viceversa; (b) las referencias a "incluyendo" significan "incluyendo sin limitación"; (c) los encabezados son solo por conveniencia y no afectan la interpretación; (d) las referencias a estatutos o regulaciones incluyen todas las enmiendas, reemplazos y legislación sucesora.

DATA CRED NO DIVULGA LAS ESPECIFICACIONES COMPLETAS, ARQUITECTURAS, IMPLEMENTACIONES, PARÁMETROS O CONFIGURACIONES DE SUS MODELOS DE IA/ML. Las descripciones en esta sección son deliberadamente generales para proteger los intereses propietarios y de secreto comercial de DataCred. No se divulgan los tipos de modelo específicos, arquitecturas, metodologías de entrenamiento, conjuntos de características e hiperparámetros.

Los sistemas de DataCred pueden emplear modelos de las siguientes categorías generales:

#### 2.2.1 Modelos de Aprendizaje Supervisado

Modelos entrenados con datos etiquetados para aprender relaciones entre características de entrada y resultados objetivo. Estos pueden incluir (pero no se limitan a):

  • Máquinas de gradiente potenciado y conjuntos
  • Arquitecturas de redes neuronales
  • Modelos de regresión regularizada
  • Máquinas de vectores de soporte
  • Conjuntos de árboles de decisión y bosques aleatorios

LIMITACIÓN: Los modelos de aprendizaje supervisado requieren datos de entrenamiento etiquetados de alta calidad. La disponibilidad, calidad y representatividad de los datos etiquetados limitan fundamentalmente el rendimiento del modelo.

#### 2.2.2 Modelos de Aprendizaje No Supervisado

Modelos que identifican patrones y estructuras en datos no etiquetados. Estos pueden incluir (pero no se limitan a):

  • Algoritmos de agrupamiento
  • Técnicas de reducción de dimensionalidad
  • Modelos de detección de anomalías
  • Métodos de estimación de densidad
  • Algoritmos de descubrimiento de patrones

LIMITACIÓN: Los resultados del aprendizaje no supervisado son inherentemente subjetivos y pueden identificar patrones que son estadísticamente válidos pero conductualmente sin sentido.

#### 2.2.3 Modelos de Redes Neuronales

Modelos computacionales multicapa inspirados en redes neuronales biológicas. Estos pueden incluir (pero no se limitan a):

  • Redes neuronales feedforward
  • Arquitecturas recurrentes
  • Arquitecturas basadas en atención
  • Redes de autoencoder
  • Redes neuronales de grafos

LIMITACIONES DE LAS REDES NEURONALES:

  • Propiedades extremas de caja negra, la explicabilidad limitada es una característica fundamental
  • Altos requisitos de datos, las redes neuronales típicamente requieren grandes conjuntos de datos de entrenamiento
  • Sensibilidad a la elección de hiperparámetros
  • Vulnerabilidad a casos adversarios
  • Intensidad computacional y requisitos de recursos
  • Tendencia al sobreajuste sin una regularización cuidadosa

#### 2.2.4 Modelos de Conjunto

Modelos que combinan múltiples modelos individuales para producir resultados. Estos pueden incluir (pero no se limitan a):

  • Métodos de embolsado
  • Métodos de potenciación
  • Conjuntos de apilamiento
  • Conjuntos de votación
  • Enfoques de combinación

LIMITACIONES DE LOS MODELOS DE CONJUNTO:

  • Mayor complejidad y reducción de interpretabilidad
  • La ponderación del conjunto introduce decisiones subjetivas
  • Pueden amplificar los sesgos de modelos individuales
  • Sobrecarga computacional y de mantenimiento
  • Rendimientos decrecientes de componentes adicionales del conjunto

#### 2.2.5 Modelos de Series Temporales y Secuenciales

Modelos diseñados para analizar datos temporales y secuenciales. Estos pueden incluir (pero no se limitan a):

  • Variantes de redes neuronales recurrentes
  • Redes de convolución temporal
  • Modelos de secuencia basados en atención
  • Modelos de espacio de estados
  • Métodos clásicos de series temporales

LIMITACIONES DE LAS SERIES TEMPORALES:

  • Supuestos de continuidad temporal y estacionariedad
  • Sensibilidad a la elección de granularidad temporal
  • Dificultad para manejar muestreo irregular
  • Capacidad limitada para predecir cambios de régimen
  • Acumulación de errores en predicciones de múltiples pasos

#### 2.2.6 Modelos de Grafos y Redes

Modelos diseñados para analizar datos relacionales y de red. Estos pueden incluir (pero no se limitan a):

  • Redes neuronales de grafos
  • Métodos de incrustación de redes
  • Algoritmos de agrupamiento de grafos
  • Modelos de predicción de enlaces
  • Modelos de centralidad de redes

LIMITACIONES DE LOS MODELOS DE GRAFOS:

  • Sensibilidad a las elecciones de construcción del grafo
  • Complejidad computacional para grafos grandes
  • Dificultad para manejar cambios dinámicos en el grafo
  • Interpretabilidad limitada de las representaciones de grafos
  • Potencial de correlaciones relacionales espurias

#### 2.2.7 Modelos de Detección de Anomalías y Valores Atípicos

Modelos diseñados para identificar patrones inusuales o valores atípicos. Estos pueden incluir (pero no se limitan a):

  • Detección estadística de valores atípicos
  • Métodos de bosque de aislamiento
  • Clasificación de una clase
  • Detección de anomalías basada en autoencoder
  • Detección de valores atípicos basada en densidad

LIMITACIONES DE LA DETECCIÓN DE ANOMALÍAS:

  • Altas tasas de falsos positivos en la práctica
  • Sensibilidad a la definición de línea base
  • Dificultad para distinguir anomalías de errores de datos
  • Definición de "anomalía" dependiente del contexto
  • Capacidad limitada para detectar nuevos tipos de anomalías

Los sistemas de DataCred pueden emplear combinaciones de modelos, tuberías y cascadas complejas. Las limitaciones de cada modelo componente se agravan en combinación. Las limitaciones de la tubería incluyen:

1. Propagación de Errores: Los errores en etapas anteriores de la tubería se propagan a etapas posteriores.

2. Amplificación de Complejidad: La complejidad de la tubería agrava los desafíos de interpretabilidad.

3. Dificultad de Depuración: Identificar la fuente de errores en tuberías complejas es un desafío.

4. Interacción de Modos de Fallo: Los modos de fallo de diferentes modelos pueden interactuar de maneras inesperadas.

5. Complejidad de Validación: Validar sistemas de modelos combinados es significativamente más complejo que validar modelos individuales.

#### 3.1.1 Naturaleza del Problema

Muchos de los modelos de DataCred, particularmente las arquitecturas complejas de redes neuronales y los métodos de conjunto, operan como "cajas negras". Esto significa:

1. Comprensión Humana Limitada: Puede ser imposible para cualquier ser humano, incluyendo los desarrolladores de los modelos, comprender completamente cómo las entradas específicas se transforman en salidas específicas.

2. Límites de Decisión No Intuitivos: Los límites de decisión del modelo pueden no alinearse con la intuición o expectativas humanas.

3. Complejidad de Interacción de Características: Los modelos pueden depender de interacciones complejas no lineales entre características que no pueden describirse o entenderse fácilmente.

4. Comportamiento Emergente: Los modelos complejos pueden exhibir comportamientos emergentes que no fueron explícitamente programados o anticipados.

5. Representaciones Ocultas: Las representaciones internas del modelo pueden no corresponder a conceptos comprensibles para los humanos.

#### 3.1.2 Implicaciones de la Explicabilidad Limitada

El problema de la caja negra tiene implicaciones significativas:

1. Depuración Limitada: Cuando los modelos producen resultados incorrectos, identificar la causa puede ser difícil o imposible.

2. Anticipación de Errores Limitada: Puede no ser posible predecir cuándo fallarán los modelos o qué entradas causarán fallos.

3. Calibración de Confianza Limitada: Los usuarios no pueden evaluar fácilmente cuándo confiar y cuándo cuestionar los resultados del modelo.

4. Mejora Limitada: Identificar cómo mejorar el rendimiento del modelo puede ser un desafío.

5. Responsabilidad Limitada: La asignación de responsabilidad por errores del modelo se complica por la explicabilidad limitada.

#### 3.1.3 Compensación entre Explicabilidad y Rendimiento

EXISTE UNA COMPENSACIÓN INHERENTE ENTRE LA PRECISIÓN DEL MODELO Y LA EXPLICABILIDAD DEL MODELO. Los modelos más precisos para el análisis conductual complejo tienden a ser los menos explicables. DataCred prioriza el rendimiento predictivo en sus modelos, lo que necesariamente limita su explicabilidad.

#### 3.2.1 Naturaleza del Sesgo en los Datos de Entrenamiento

Todos los modelos reflejan sesgos presentes en sus datos de entrenamiento. El sesgo en los datos de entrenamiento puede surgir de:

1. Sesgo Histórico: Los patrones y prácticas históricas incorporados en los datos de entrenamiento pueden codificar sesgos sociales, discriminación o desigualdades sistemáticas.

2. Sesgo de Selección: El proceso mediante el cual se recopilan los datos de entrenamiento puede excluir sistemáticamente o sobrerrepresentar ciertas poblaciones, comportamientos o resultados.

3. Sesgo de Medición: La forma en que se miden las variables puede distorsionar sistemáticamente ciertas observaciones.

4. Sesgo de Etiquetado: Los datos de entrenamiento etiquetados por humanos pueden reflejar los sesgos, suposiciones y errores de los etiquetadores.

5. Sesgo de Muestreo: Los datos de entrenamiento pueden no ser representativos de la población a la que se aplicará el modelo.

6. Sesgo de Confirmación: La recopilación de datos puede centrarse en confirmar suposiciones existentes en lugar de explorar alternativas.

#### 3.2.2 Datos de Entrenamiento de DataCred

LOS DATOS DE ENTRENAMIENTO DE DATA CRED TIENEN SESGOS INHERENTES QUE SE REFLEJAN EN SUS MODELOS. Estos sesgos incluyen pero no se limitan a:

1. Limitaciones de Población: Los datos de entrenamiento pueden no representar a todas las poblaciones, grupos demográficos, regiones geográficas o tipos conductuales.

2. Sesgo de Selección de la Plataforma: Los datos de entrenamiento reflejan la población de usuarios que eligen interactuar con la plataforma de DataCred, que puede diferir sistemáticamente de la población general.

3. Sesgo de Fuente de Datos: Los datos de entrenamiento se limitan a las fuentes de datos disponibles, que pueden excluir sistemáticamente ciertos tipos de comportamiento financiero.

4. Sesgo Temporal: Los datos de entrenamiento reflejan períodos de tiempo específicos, que pueden no ser representativos de otros períodos de tiempo.

5. Sesgo de Observación Conductual: Los datos conductuales disponibles pueden sobrerrepresentar sistemáticamente ciertas dimensiones conductuales y subrepresentar otras.

#### 3.3.1 Naturaleza de la Deriva de Concepto

La deriva de concepto ocurre cuando la relación estadística entre las entradas del modelo y los objetivos cambia con el tiempo. Esto significa:

1. Los Modelos se Vuelven Obsoletos: Los modelos entrenados con datos históricos pueden volverse menos precisos a medida que cambian las relaciones subyacentes.

2. Se Requiere Monitoreo Continuo: La deriva de concepto requiere monitoreo y reentrenamiento continuos del modelo, que DataCred puede realizar de manera intermitente o no realizar en absoluto.

3. La Deriva Puede Ser Súbita o Gradual: La deriva de concepto puede ocurrir a través de cambios repentinos de régimen o evolución gradual.

#### 3.3.2 Causas de la Deriva de Concepto en Modelos Conductuales Financieros

La deriva de concepto puede ser causada por:

1. Cambios Económicos: Los ciclos económicos, crisis y cambios estructurales alteran los patrones de comportamiento financiero.

2. Cambios Regulatorios: Las nuevas leyes y regulaciones cambian los incentivos y restricciones del comportamiento financiero.

3. Cambios Tecnológicos: Las nuevas tecnologías y plataformas financieras cambian la forma en que ocurre el comportamiento financiero.

4. Cambios Sociales: La evolución de las normas y prácticas sociales cambia los patrones conductuales.

5. Cambios de Mercado: Los cambios en la estructura del mercado y los participantes afectan los patrones conductuales.

#### 3.4.1 Naturaleza del Deterioro del Modelo

El deterioro del modelo se refiere a la degradación gradual del rendimiento del modelo a lo largo del tiempo, incluso sin deriva de concepto, debido a:

1. Degradación de Características: El poder predictivo de las características individuales puede disminuir con el tiempo.

2. Cambios en las Fuentes de Datos: Los cambios en las fuentes de datos, formatos o calidad pueden reducir el rendimiento del modelo.

3. Cambios en la Población: La población a la que se aplica el modelo puede cambiar con el tiempo.

4. Efectos de Bucle de Retroalimentación: Las decisiones basadas en el modelo pueden cambiar el comportamiento que se está modelando, creando bucles de retroalimentación.

#### 3.4.2 Deterioro del Modelo de DataCred

DATA CRED NO GARANTIZA QUE SUS MODELOS MANTENGAN NIVELES DE RENDIMIENTO ESPECIFICADOS DURANTE CUALQUIER PERÍODO DE TIEMPO. Se espera el deterioro del modelo, y DataCred puede o no detectar o corregir el deterioro.

#### 3.5.1 Sobreajuste

El sobreajuste ocurre cuando un modelo aprende los datos de entrenamiento con demasiada precisión, capturando ruido y fluctuaciones aleatorias como si fueran patrones significativos. Las consecuencias incluyen:

1. Excelente Rendimiento de Entrenamiento: Los modelos sobreajustados pueden funcionar muy bien con los datos de entrenamiento.

2. Mala Generalización: Los modelos sobreajustados típicamente funcionan mal con datos nuevos no vistos.

3. Falsa Confianza: Los modelos sobreajustados pueden parecer más precisos de lo que realmente son cuando las métricas de entrenamiento son la única evaluación.

4. Predicciones Frágiles: Los modelos sobreajustados pueden ser altamente sensibles a pequeñas variaciones en las entradas.

#### 3.5.2 Subajuste

El subajuste ocurre cuando un modelo es demasiado simple para capturar la estructura subyacente de los datos. Las consecuencias incluyen:

1. Rendimiento Deficiente en Todas Partes: Los modelos subajustados funcionan mal tanto con los datos de entrenamiento como con los nuevos.

2. Patrones Omitidos: Los modelos subajustados no logran identificar patrones significativos en los datos.

3. Sesgo Estructural: Los modelos subajustados introducen errores sistemáticos mediante una simplificación excesiva.

#### 3.5.3 La Compensación entre Sobreajuste y Subajuste

TODOS LOS MODELOS ENFRENTAN UNA COMPENSACIÓN INHERENTE ENTRE SOBREAJUSTE Y SUBAJUSTE. Los modelos de DataCred están configurados para equilibrar esta compensación pero no pueden eliminar ninguno de los dos riesgos.

#### 3.6.1 Naturaleza de la Vulnerabilidad Adversaria

Los modelos de aprendizaje automático pueden ser manipulados mediante entradas diseñadas intencionalmente para producir resultados incorrectos. Esta vulnerabilidad es inherente a la mayoría de las arquitecturas de ML.

#### 3.6.2 Tipos de Ataques Adversarios

Los modelos pueden ser vulnerables a:

1. Ataques de Evasión: Entradas diseñadas para evadir la detección o producir resultados deseados en el momento de la inferencia.

2. Envenenamiento de Datos: Manipulación de los datos de entrenamiento para comprometer los modelos durante el entrenamiento.

3. Inversión de Modelo: Extracción de información de los datos de entrenamiento mediante consultas repetidas.

4. Inferencia de Pertenencia: Determinación de si puntos de datos específicos se utilizaron en el entrenamiento.

5. Robo de Modelo: Extracción de parámetros o arquitectura del modelo mediante acceso de consulta.

#### 3.6.3 Riesgos Adversarios de DataCred

Los modelos conductuales de DataCred pueden ser vulnerables a la manipulación adversaria, incluyendo:

1. Juego Conductual: Sujetos que modifican su comportamiento para lograr puntuaciones deseadas.

2. Inyección de Datos Sintéticos: Introducción de datos fabricados para manipular los resultados del modelo.

3. Manipulación de Identidad: Creación de identidades sintéticas o manipulación de señales de identidad.

4. Imitación de Patrones: Imitación deliberada de patrones conductuales asociados con puntuaciones más altas.

5. Manipulación de Tiempos: Sincronización estratégica de transacciones y actividades para influir en los modelos temporales.

#### 3.7.1 Naturaleza del Cambio Distribucional

El cambio distribucional ocurre cuando la distribución de los datos de entrada en el momento de la implementación difiere de la distribución de entrenamiento. Esto puede hacer que los modelos realicen predicciones no fiables incluso si el concepto subyacente no ha cambiado.

#### 3.7.2 Ejemplos de Cambio Distribucional

1. Nuevas Poblaciones de Usuarios: El modelo puede aplicarse a poblaciones de usuarios no representadas en los datos de entrenamiento.

2. Nuevas Fuentes de Datos: Las nuevas fuentes de datos pueden tener diferentes propiedades estadísticas.

3. Expansión Geográfica: La implementación del modelo en nuevas regiones puede encontrar diferentes distribuciones conductuales.

4. Cambio Temporal: Las distribuciones de entrada pueden cambiar con el tiempo incluso sin deriva de concepto.

#### 3.7.3 Limitaciones de Detección

DATA CRED PUEDE NO SER CAPAZ DE DETECTAR CUANDO HA OCURRIDO UN CAMBIO DISTRIBUCIONAL. Sin detección, no es posible ninguna corrección, y los resultados del modelo pueden no ser fiables sin que los usuarios lo sepan.

NO SE GARANTIZA QUE LOS DATOS DE ENTRENAMIENTO DE DATA CRED SEAN REPRESENTATIVOS DE TODAS LAS POBLACIONES, GRUPOS DEMOGRÁFICOS, REGIONES GEOGRÁFICAS O TIPOS CONDUCTUALES. El rendimiento del modelo puede variar significativamente entre diferentes poblaciones.

Los datos de entrenamiento derivados de registros y transacciones financieras reflejan sesgos históricos en los sistemas financieros, incluyendo:

1. Sesgos de Inclusión Financiera: Los grupos que han sido históricamente excluidos o desatendidos por los sistemas financieros formales están subrepresentados en los datos financieros.

2. Sesgos de Registro de Transacciones: Diferentes tipos de transacciones financieras se registran con diferentes niveles de integridad y precisión.

3. Sesgos Culturales: Los patrones de comportamiento financiero están mediados culturalmente, y los datos de entrenamiento pueden no capturar la gama completa de prácticas financieras culturales.

4. Sesgos de Género y Raza: Los datos financieros históricos reflejan patrones históricos de discriminación de género y raza en los servicios financieros.

Los datos de entrenamiento de DataCred pueden concentrarse en regiones geográficas específicas, particularmente:

1. Venezuela y LATAM: Datos de entrenamiento significativos pueden originarse en contextos financieros venezolanos y latinoamericanos.

2. Estados Unidos: Datos de entrenamiento adicionales pueden originarse en el sistema financiero de EE. UU.

3. Otras Regiones: Otras regiones pueden estar subrepresentadas.

LOS MODELOS ENTRENADOS PRINCIPALMENTE CON DATOS DE REGIONES ESPECÍFICAS PUEDEN NO GENERALIZARSE A OTRAS REGIONES CON DIFERENTES CONDICIONES ECONÓMICAS, INFRAESTRUCTURA FINANCIERA, NORMAS CULTURALES Y ENTORNOS REGULATORIOS.

LOS MODELOS SE ENTRENAN CON DATOS HISTÓRICOS Y PUEDEN NO REFLEJAR LAS CONDICIONES ACTUALES. Los datos de entrenamiento capturan la relación entre las entradas y los objetivos tal como existían durante el período de entrenamiento. Los cambios en las condiciones económicas, la tecnología financiera, los marcos regulatorios y las normas sociales pueden hacer que los datos históricos de entrenamiento sean menos relevantes.

1. Subrepresentación de Casos Extremos: Los patrones conductuales raros pero importantes pueden estar subrepresentados en los datos de entrenamiento.

2. Tamaño de Grupos Minoritarios: Los grupos demográficos más pequeños pueden tener datos de entrenamiento insuficientes para un modelado fiable.

3. Eventos de Cola Larga: Los eventos inusuales y los comportamientos raros pueden no estar bien capturados.

4. Datos Desbalanceados: Los datos de entrenamiento pueden exhibir un desbalance de clases que afecta el rendimiento del modelo.

Los datos de entrenamiento se recopilan hasta una fecha de corte específica. DataCred puede reentrenar los modelos con poca frecuencia, lo que significa que los modelos pueden operar con datos de entrenamiento que tienen meses o años de antigüedad.

EL RENDIMIENTO DEL MODELO CON DATOS HISTÓRICOS NO GARANTIZA EL RENDIMIENTO FUTURO. La retrospectiva, evaluar un modelo con datos históricos, tiene limitaciones fundamentales:

1. Sesgo de Prospectiva: Las evaluaciones históricas pueden utilizar inadvertidamente información que no habría estado disponible en ese momento.

2. Sobreajuste a la Historia: Los modelos pueden ser seleccionados o ajustados basándose en el rendimiento histórico, creando un sobreajuste al período histórico.

3. Cambio de Régimen: El futuro puede diferir del pasado de maneras fundamentales.

4. Impacto de la Estrategia: La propia implementación del modelo puede cambiar el comportamiento que se está modelando.

Los conjuntos de datos de validación utilizados para evaluar el rendimiento del modelo pueden no reflejar las condiciones del mundo real:

1. Datos Limpios: Los datos de validación pueden ser más limpios o más completos que los datos del mundo real.

2. Representatividad: Los datos de validación pueden no representar todos los escenarios del mundo real.

3. Alineación Temporal: Los datos de validación de diferentes períodos de tiempo pueden no ser relevantes.

4. Eliminación del Contexto: Los datos de validación pueden carecer del contexto necesario para la evaluación en el mundo real.

SE ESPERA QUE EL RENDIMIENTO DEL MODELO SE DEGRADE CON EL TIEMPO. Un modelo que funciona bien en el momento de la implementación puede funcionar mal meses o años después sin monitoreo y reentrenamiento continuos.

Las métricas utilizadas para validar el rendimiento del modelo tienen limitaciones inherentes:

1. Sesgo de Selección de Métricas: La elección de la métrica de validación refleja suposiciones sobre lo que constituye un buen rendimiento.

2. Métricas Agregadas: Las métricas de rendimiento promedio pueden ocultar variaciones significativas en el rendimiento entre subgrupos.

3. Dependencia de Umbrales: El rendimiento puede ser altamente sensible a la elección de umbrales.

4. Dependencia del Contexto: Las métricas de rendimiento pueden no trasladarse entre contextos.

LOS MODELOS DE DATA CRED NO HAN SIDO VALIDADOS DE FORMA INDEPENDIENTE POR NINGÚN TERCERO, AUTORIDAD REGULATORIA U ORGANISMO DE NORMAS INDUSTRIALES. Toda la validación ha sido realizada internamente por DataCred, sujeta a todos los sesgos y limitaciones asociados.

CADA RESULTADO DEL MODELO TIENE UN MARGEN DE ERROR ASOCIADO, YA SEA QUE SE INFORME O NO. La ausencia de un intervalo de confianza explícito o una medida de incertidumbre no significa que un resultado del modelo sea cierto o preciso.

La incertidumbre del modelo surge de múltiples fuentes:

1. Incertidumbre Aleatoria: Aleatoriedad o variabilidad inherente en los datos que no puede reducirse mediante un mejor modelado.

2. Incertidumbre Epistémica: Incertidumbre debida al conocimiento, datos o capacidad limitados del modelo que potencialmente podría reducirse.

3. Incertidumbre del Modelo: Incertidumbre sobre qué especificación del modelo es correcta.

4. Incertidumbre de Medición: Incertidumbre en la medición de las entradas.

5. Incertidumbre Estructural: Incertidumbre sobre la estructura o arquitectura correcta del modelo.

LOS MÉTODOS DE CUANTIFICACIÓN DE LA INCERTIDUMBRE TIENEN SUS PROPIAS LIMITACIONES:

1. Supuestos Distribucionales: La mayoría de los métodos de cuantificación de la incertidumbre se basan en supuestos distribucionales que pueden no cumplirse.

2. Problemas de Calibración: Los niveles de incertidumbre estimados pueden no estar bien calibrados (por ejemplo, los intervalos de confianza del 95% pueden contener el valor verdadero menos del 95% de las veces).

3. Incertidumbre Oculta: Algunas fuentes de incertidumbre pueden no ser capturadas por los métodos de cuantificación disponibles.

4. Falsa Precisión: La existencia de medidas de incertidumbre explícitas puede crear una falsa sensación de precisión o fiabilidad.

DATA CRED NO GARANTIZA QUE PUEDA DETECTAR CUANDO SUS MODELOS ESTÁN PRODUCIENDO RESULTADOS ERRÓNEOS. La cuantificación de la incertidumbre puede no lograr identificar resultados erróneos.

TODOS LOS MODELOS COMETEN ERRORES. LOS MODELOS DE DATA CRED NO SON UNA EXCEPCIÓN. La pregunta relevante no es si los modelos cometen errores sino las tasas a las que ocurren diferentes tipos de errores.

1. Falsos Positivos (Errores Tipo I): El modelo identifica un patrón, característica o resultado que realmente no está presente.

2. Falsos Negativos (Errores Tipo II): El modelo no logra identificar un patrón, característica o resultado que realmente está presente.

EXISTE UNA COMPENSACIÓN INHERENTE ENTRE LAS TASAS DE FALSOS POSITIVOS Y FALSOS NEGATIVOS. Reducir un tipo de error típicamente aumenta el otro. Los modelos de DataCred están configurados para equilibrar esta compensación, pero el equilibrio elegido puede no ser apropiado para todos los casos de uso.

LAS TASAS DE ERROR DEL MODELO NO SON CONSTANTES. Varían según:

1. Población: Las tasas de error difieren entre grupos demográficos, regiones y tipos conductuales.

2. Contexto: Las tasas de error difieren entre casos de uso y contextos de implementación.

3. Tiempo: Las tasas de error cambian con el tiempo a medida que los modelos se deterioran y las condiciones cambian.

4. Calidad de los Datos: Las tasas de error aumentan con una menor calidad de los datos.

5. Configuración de Umbrales: Las tasas de error son sensibles a la configuración de los umbrales del modelo.

DATA CRED NO PUBLICA TASAS DE ERROR PARA SUS MODELOS. La ausencia de tasas de error publicadas no indica que los modelos estén libres de errores. Refleja la complejidad de medir y comunicar tasas de error que varían entre contextos.

LOS USUARIOS DE LOS MODELOS DE DATA CRED ASUMIEN LA RESPONSABILIDAD DE EVALUAR SI LAS TASAS DE ERROR DEL MODELO SON ACEPTABLES PARA SUS CASOS DE USO PREVISTOS.

DATA CRED NO GARANTIZA QUE SUS MODELOS SEAN DEMOGRÁFICAMENTE EQUITATIVOS SEGÚN LO MEDIDO POR CUALQUIER DEFINICIÓN O MÉTRICA DE EQUIDAD ESPECÍFICA.

Los modelos de DataCred pueden exhibir sesgo derivado de:

1. Sesgo en los Datos de Entrenamiento: Los sesgos históricos en los datos de entrenamiento se reflejan en los modelos.

2. Amplificación Algorítmica: Los algoritmos pueden amplificar los sesgos existentes en los datos.

3. Selección de Características: La elección de características puede introducir o amplificar sesgos.

4. Arquitectura del Modelo: Las elecciones de arquitectura del modelo pueden afectar las propiedades de equidad.

5. Objetivos de Optimización: Los objetivos de entrenamiento del modelo pueden no incluir consideraciones de equidad.

LOS MODELOS PUEDEN UTILIZAR INVOLUNTARIAMENTE VARIABLES PROXY QUE SE CORRELACIONAN CON CARACTERÍSTICAS PROTEGIDAS. Incluso cuando DataCred no recopila características protegidas (raza, color, religión, sexo, origen nacional, edad, discapacidad o cualquier otro estatus protegido), los modelos pueden identificar patrones que sirven como proxies para estas características.

Ejemplos de posibles variables proxy incluyen:

  • Datos de ubicación geográfica (pueden correlacionarse con raza y etnia)
  • Patrones de horario de transacciones (pueden correlacionarse con observancia religiosa)
  • Patrones de gasto (pueden correlacionarse con estatus socioeconómico)
  • Características de la red (pueden correlacionarse con patrones de segregación demográfica)
  • Patrones de acceso a la plataforma (pueden correlacionarse con estatus de discapacidad)

Todas las métricas de equidad tienen limitaciones fundamentales:

1. Conflicto de Métricas: Diferentes métricas de equidad a menudo entran en conflicto, es matemáticamente imposible satisfacer todas las definiciones comunes de equidad simultáneamente (excepto en casos triviales).

2. Dependencia de la Población: Las evaluaciones de equidad dependen de cómo se definen y agrupan las poblaciones.

3. Inestabilidad Temporal: Las evaluaciones de equidad pueden cambiar con el tiempo incluso sin cambios en el modelo.

4. Dependencia del Contexto: La equidad depende del contexto de uso, que los modelos no pueden capturar completamente.

5. Elecciones Cargadas de Valor: La selección de métricas de equidad implica juicios de valor que no son puramente técnicos.

DataCred puede o no optimizar los modelos para la equidad. Cuando se intenta la optimización de la equidad, está sujeta a todas las limitaciones descritas en el presente documento y puede no alcanzar sus objetivos previstos.

LOS MODELOS PUEDEN EXHIBIR SESGO INTERSECCIONAL, SESGO QUE AFECTA A INDIVIDUOS QUE PERTENECEN A MÚLTIPLES GRUPOS PROTEGIDOS SIMULTÁNEAMENTE, QUE NO ES DETECTADO POR LAS MÉTRICAS DE EQUIDAD DE EJE ÚNICO.

LOS MODELOS DE DATA CRED ESTÁN SUJETOS A MANIPULACIÓN POR PARTE DE ADVERSARIOS MOTIVADOS. Ningún modelo es perfectamente robusto frente a la manipulación adversaria.

Los modelos conductuales pueden ser manipulados mediante:

1. Imitación de Patrones: Emular deliberadamente patrones conductuales asociados con los resultados deseados del modelo.

2. Sincronización Estratégica: Sincronizar transacciones, actividades e interacciones con la plataforma para influir en los modelos temporales.

3. Selección de Datos: Proporcionar selectivamente datos que produzcan resultados favorables del modelo.

4. Manipulación de Identidad: Crear múltiples identidades, identidades sintéticas o información de identidad manipulada.

5. Manipulación de la Red: Ingeniería de relaciones con contrapartes para mejorar las evaluaciones basadas en la red.

6. Inflación de Actividad: Aumentar el volumen de actividad en la plataforma para mejorar las evaluaciones basadas en la actividad.

LOS CASOS ADVERSARIOS, ENTRADAS INTENCIONALMENTE DISEÑADAS PARA CAUSAR ERRORES EN EL MODELO, EXISTEN PARA LA MAYORÍA DE LOS MODELOS DE APRENDIZAJE AUTOMÁTICO. Es probable que los modelos de DataCred sean vulnerables a casos adversarios, incluso si no se han identificado vulnerabilidades específicas.

EL ENVENENAMIENTO DE DATOS, LA MANIPULACIÓN DE LOS DATOS DE ENTRENAMIENTO PARA COMPROMETER EL RENDIMIENTO DEL MODELO, ES UN VECTOR DE ATAQUE VIABLE. DataCred puede no ser capaz de detectar o prevenir el envenenamiento de datos.

DATA CRED NO GARANTIZA LA ROBUSTEZ ADVERSARIA DE SUS MODELOS. Los modelos pueden ser atacados con éxito sin detección.

DATA CRED ACTUALIZA, MODIFICA, REEMPLAZA Y RETIRA MODELOS SIN AVISO A LOS USUARIOS O SUJETOS. Estos cambios pueden afectar significativamente los resultados del modelo.

LAS PUNTUACIONES GENERADAS POR DIFERENTES VERSIONES DEL MODELO NO SON DIRECTAMENTE COMPARABLES. Un cambio en la puntuación de un sujeto puede reflejar cambios en el modelo, no cambios en el comportamiento del sujeto.

DATA CRED NO PUBLICA UN REGISTRO DE CAMBIOS DEL MODELO NI UN HISTORIAL DE VERSIONES. Los usuarios y sujetos no pueden determinar qué versión del modelo generó cualquier resultado específico ni cómo los cambios del modelo han afectado los resultados a lo largo del tiempo.

DataCred puede aplicar modelos actualizados de forma retroactiva a los datos existentes, generando puntuaciones que difieren de las producidas originalmente.

DataCred puede retirar modelos en cualquier momento sin previo aviso. Los modelos retirados ya no generarán resultados, y los resultados de los modelos retirados se vuelven incomparables con los resultados actuales del modelo.

DEBIDO A LA COMPLEJIDAD DE LOS MODELOS DE DATA CRED, NO TODOS LOS RESULTADOS DEL MODELO PUEDEN EXPLICARSE DE MANERA SIGNIFICATIVA. Algunas decisiones del modelo son inherentemente inexplicables dada la tecnología actual.

Cuando DataCred proporciona explicaciones para los resultados del modelo (incluyendo a través de técnicas como SHAP, LIME, importancia de características o visualización de atención), estas explicaciones son APROXIMACIONES, no descripciones precisas de los procesos de decisión del modelo.

Cuando se utilizan, SHAP, LIME y técnicas de explicación similares tienen sus propias limitaciones:

1. Aproximaciones Locales: Estas técnicas proporcionan aproximaciones locales del comportamiento del modelo, que pueden no reflejar la lógica global del modelo.

2. Simplificación del Modelo: Las explicaciones simplifican el comportamiento del modelo, omitiendo potencialmente factores importantes.

3. Inestabilidad: Los resultados de la explicación pueden ser inestables, pequeños cambios en las entradas pueden producir explicaciones muy diferentes.

4. Dependencia de Supuestos: Las técnicas de explicación se basan en supuestos que pueden no cumplirse.

5. Interpretaciones Engañosas: Las explicaciones pueden ser malinterpretadas como causales o como representaciones precisas de la lógica del modelo.

Las medidas de importancia de características tienen limitaciones significativas:

1. Confusión de Correlación: Las características correlacionadas pueden mostrar una importancia individual reducida.

2. Dependencia del Contexto: La importancia de las características puede variar en todo el espacio de entrada.

3. Enmascaramiento de Interacciones: Las interacciones de características pueden no ser capturadas por medidas de importancia individual.

4. Sensibilidad de la Métrica: Las clasificaciones de importancia de características pueden ser altamente sensibles a la elección de la métrica de importancia.

LOS USUARIOS Y SUJETOS NO TIENEN DERECHO A UN NIVEL O TIPO ESPECÍFICO DE EXPLICACIÓN DE LOS RESULTADOS DEL MODELO. DataCred proporciona explicaciones a su discreción y no garantiza la integridad, precisión o comprensibilidad de la explicación.

DATA CRED NO HACE NINGUNA REPRESENTACIÓN O GARANTÍA, EXPRESA O IMPLÍCITA, CON RESPECTO A LA PRECISIÓN DE CUALQUIER RESULTADO DEL MODELO O DE LOS DATOS UTILIZADOS PARA GENERARLO.

DataCred no garantiza que sus modelos capturen toda la información, patrones o relaciones relevantes.

DataCred no garantiza la fiabilidad, consistencia, repetibilidad o estabilidad de ningún resultado del modelo.

DATA CRED NO GARANTIZA QUE NINGÚN MODELO SEA ADECUADO PARA NINGÚN PROPÓSITO PARTICULAR, INCLUSO SI DATA CRED CONOCE EL PROPÓSITO PREVISTO.

EN LA MÁXIMA MEDIDA PERMITIDA POR LA LEY APLICABLE, DATA CRED PROPORCIONA TODOS LOS MODELOS, RESULTADOS DEL MODELO, DATOS, ANÁLISIS Y SERVICIOS RELACIONADOS "TAL CUAL", "CON TODOS LOS DEFECTOS" Y "SEGÚN DISPONIBILIDAD", SIN NINGUNA GARANTÍA DE NINGÚN TIPO, EXPRESA O IMPLÍCITA, INCLUYENDO PERO NO LIMITADO A LAS GARANTÍAS IMPLÍCITAS DE COMERCIABILIDAD, IDONEIDAD PARA UN PROPÓSITO PARTICULAR, NO INFRACCIÓN, PRECISIÓN, INTEGRIDAD, FIABILIDAD, ACTUALIDAD, LIBERTAD DE ERRORES, LIBERTAD DE SESGO, Y CUALQUIER GARANTÍA QUE SURJA DEL CURSO DE NEGOCIACIÓN, CURSO DE RENDIMIENTO O USO DEL COMERCIO.

EN LA MÁXIMA MEDIDA PERMITIDA POR LA LEY APLICABLE, DATA CRED NO TENDRÁ RESPONSABILIDAD ALGUNA POR CUALQUIER ERROR, FALLO, SESGO, INEXACTITUD O LIMITACIÓN DEL MODELO, INCLUYENDO PERO NO LIMITADO A:

1. Falsos Positivos: El modelo identifica patrones o características que no están presentes.

2. Falsos Negativos: El modelo no logra identificar patrones o características que están presentes.

3. Resultados Sesgados: El modelo produce resultados que están sistemáticamente sesgados contra ciertos grupos.

4. Manipulación Adversaria: Los resultados del modelo son manipulados por entradas adversarias.

5. Deterioro del Modelo: El rendimiento del modelo se degrada con el tiempo.

6. Cambio Distribucional: El modelo no logra generalizarse a nuevas poblaciones o condiciones.

7. Deriva de Concepto: El modelo se vuelve inexacto debido a condiciones cambiantes.

8. Fallos de Explicabilidad: Los resultados del modelo no pueden explicarse o comprenderse.

9. Cualquier Otra Limitación del Modelo: Cualquier otra limitación descrita o referenciada en este documento.

DATA CRED NO TENDRÁ RESPONSABILIDAD POR NINGÚN DAÑO CONSECUENTE, INDIRECTO, INCIDENTAL, ESPECIAL O PUNITIVO DERIVADO DE O RELACIONADO CON ERRORES, FALLOS O LIMITACIONES DEL MODELO, INCLUYENDO PERO NO LIMITADO A PÉRDIDAS FINANCIERAS, DAÑO REPUTACIONAL, OPORTUNIDADES PERDIDAS, COSTOS LEGALES, SANCIONES REGULATORIAS O ANGUSTIA EMOCIONAL.

LOS USUARIOS DE LOS MODELOS DE DATA CRED ASUMEN TODOS LOS RIESGOS ASOCIADOS CON ERRORES, FALLOS Y LIMITACIONES DEL MODELO, INCLUYENDO EL RIESGO DE QUE LOS MODELOS PUEDAN PRODUCIR RESULTADOS QUE SEAN MATERIALMENTE INCORRECTOS, ENGAÑOSOS O DAÑINOS.

Los usuarios de los modelos de DataCred acuerdan indemnizar, defender y mantener indemne a DataCred de y contra cualquier y toda reclamación, daño, pérdida, responsabilidad, costo y gasto (incluyendo honorarios razonables de abogados) que surjan de o se relacionen con:

1. El uso o mal uso de los resultados del modelo por parte del usuario

2. La confianza del usuario en los resultados del modelo

3. Reclamaciones de terceros derivadas del uso de los resultados del modelo por parte del usuario

4. El incumplimiento por parte del usuario de los términos de este documento

LOS MODELOS DE IA/ML DE DATA CRED SON HERRAMIENTAS DE INVESTIGACIÓN EXPERIMENTALES. NO SON SISTEMAS DE DECISIÓN CERTIFICADOS, REGULADOS O VALIDADOS.

Los modelos de DataCred son herramientas de investigación porque:

1. Metodología No Probada: El modelado conductual de IA/ML para la evaluación de confianza es un campo emergente con metodologías no probadas.

2. Desarrollo Continuo: Los modelos están en desarrollo continuo y pueden cambiar sin previo aviso.

3. Validación Limitada: Los modelos no han sido validados por terceros independientes.

4. Comprensión en Evolución: La comprensión de DataCred de las señales conductuales, el comportamiento del modelo y las limitaciones del modelo continúa evolucionando.

5. Carácter Académico: El desarrollo del modelo implica investigación y experimentación significativas.

LOS MODELOS DE DATA CRED NO SON SISTEMAS DE DECISIÓN CERTIFICADOS. No han sido:

  • Certificados por ninguna autoridad regulatoria
  • Aprobados por ninguna agencia gubernamental
  • Validados por ningún organismo de normas industriales
  • Revisados por ningún auditor independiente
  • Probados para cumplir con ningún estándar de sistema de decisión

DataCred no está buscando la certificación de sus modelos como sistemas de decisión bajo ningún marco regulatorio, estándar industrial o programa de certificación.

DATA CRED SE RESERVA EL DERECHO ABSOLUTO, A SU SOLA DISCRECIÓN, DE MODIFICAR, ACTUALIZAR, CAMBIAR, REEMPLAZAR, RETIRAR O DESCONTINUAR CUALQUIER MODELO, VERSIÓN DEL MODELO, COMPONENTE DEL MODELO O RESULTADO DEL MODELO EN CUALQUIER MOMENTO, POR CUALQUIER RAZÓN O SIN RAZÓN, CON O SIN PREVIO AVISO.

Los cambios pueden incluir, sin limitación:

1. Cambios completos en la arquitectura del modelo

2. Cambios en los datos de entrenamiento

3. Adiciones, eliminaciones o modificaciones de características

4. Cambios de hiperparámetros

5. Cambios en el formato de los resultados

6. Cambios en las características de rendimiento

7. Reemplazo completo del modelo

8. Retiro del modelo sin reemplazo

NINGÚN USUARIO O SUJETO TIENE DERECHO AL USO DE CUALQUIER MODELO, VERSIÓN DEL MODELO O CAPACIDAD DEL MODELO ESPECÍFICO. DataCred puede cambiar o eliminar modelos en cualquier momento sin tener en cuenta las preferencias o dependencias del usuario.

DataCred puede cambiar los modelos sin previo aviso. Los resultados del modelo pueden cambiar materialmente entre consultas consecutivas sin advertencia.

Cuando se actualizan los modelos, no hay "derechos adquiridos" de versiones anteriores del modelo. Todos los usuarios y sujetos son transferidos automáticamente a las nuevas versiones del modelo.

LOS MODELOS DE DATA CRED NO HAN SIDO REVISADOS, APROBADOS, CERTIFICADOS NI RESPALDADOS POR NINGÚN REGULADOR FINANCIERO, AUTORIDAD DE PROTECCIÓN DE DATOS U OTRO ORGANISMO GUBERNAMENTAL.

Los modelos de DataCred no están sujetos a:

  • La Ley de Informes de Crédito Justos (FCRA)
  • La Ley de Igualdad de Oportunidades Crediticias (ECOA)
  • La Ley de Vivienda Justa
  • Cualquier ley estatal de informes crediticios o puntuación de crédito
  • Cualquier regulación financiera federal que rija el uso de modelos
  • Cualquier marco regulatorio internacional para la puntuación de crédito o sistemas de decisión

Las prácticas de gobierno, validación y gestión de riesgos del modelo de DataCred pueden no ajustarse a los estándares de la industria, las expectativas regulatorias o las mejores prácticas para la gestión de riesgos del modelo en industrias reguladas.

LOS USUARIOS DE LOS MODELOS DE DATA CRED ASUMEN LA RESPONSABILIDAD EXCLUSIVA DE GARANTIZAR QUE SU USO DE LOS MODELOS Y LOS RESULTADOS DEL MODELO CUMPLA CON TODAS LAS LEYES Y REQUISITOS REGULATORIOS APLICABLES.

Cuando DataCred incorpora revisión humana o supervisión de los resultados del modelo, dicha revisión humana está sujeta a sus propias limitaciones:

1. Sesgo Humano: Los revisores humanos tienen sus propios sesgos y limitaciones.

2. Inconsistencia: La revisión humana puede ser inconsistente entre revisores y a lo largo del tiempo.

3. Capacidad Limitada: Los revisores humanos pueden revisar solo una fracción de los resultados del modelo.

4. Sesgo de Automatización: Los revisores humanos pueden diferir excesivamente a los resultados del modelo.

5. Efectos de Fatiga: El rendimiento del revisor humano se degrada con la fatiga y el volumen.

LA PRESENCIA DE REVISIÓN HUMANA NO GARANTIZA LA PRECISIÓN, EQUIDAD O IDONEIDAD DEL RESULTADO DEL MODELO. La revisión humana es una capa adicional de evaluación, no una garantía de corrección.

Ningún usuario o sujeto tiene derecho a la revisión humana de ningún resultado específico del modelo. DataCred determina, a su sola discreción, qué resultados reciben revisión humana.

DataCred está comprometida a proporcionar transparencia significativa con respecto a sus modelos mientras protege sus intereses propietarios y de secreto comercial. Las descripciones en este documento representan la determinación de DataCred del equilibrio apropiado entre transparencia y protección de secretos comerciales.

Para proteger los secretos comerciales, DataCred no divulga:

1. Arquitecturas e implementaciones específicas del modelo

2. Composición y fuentes de los datos de entrenamiento

3. Conjuntos de características y métodos de ingeniería de características

4. Parámetros e hiperparámetros del modelo

5. Pesos y configuraciones del modelo

6. Metodologías y procedimientos de entrenamiento

7. Resultados de validación y métricas de rendimiento

8. Historial de versiones y registros de cambios del modelo

9. Componentes algorítmicos específicos

10. Innovaciones metodológicas propietarias

LA TRANSPARENCIA DE DATA CRED SOBRE LAS LIMITACIONES DEL MODELO NO IMPLICA QUE SUS MODELOS ESTÉN CERTIFICADOS, VALIDADOS O APROBADOS PARA NINGÚN USO ESPECÍFICO. La transparencia es un objetivo separado de la certificación.

DataCred no tiene obligación de proporcionar el código fuente del modelo, los datos de entrenamiento o las especificaciones detalladas del modelo a ningún usuario, sujeto o tercero.

Este documento y todos los asuntos que surjan de o se relacionen con los modelos de IA/ML de DataCred se regirán e interpretarán de conformidad con las leyes del Estado de Wyoming, Estados Unidos de América, sin tener en cuenta sus principios de conflicto de leyes.

Cualquier acción legal o procedimiento que surja de o se relacione con los modelos de DataCred se presentará exclusivamente en los tribunales federales o estatales ubicados en el Condado de Sheridan, Wyoming.

EN LA MÁXIMA MEDIDA PERMITIDA POR LA LEY APLICABLE, TODAS LAS PARTES RENUNCIAN A CUALQUIER DERECHO A JUICIO POR JURADO EN CUALQUIER ACCIÓN O PROCEDIMIENTO DERIVADO DE O RELACIONADO CON LOS MODELOS DE DATA CRED.

TODAS LAS RECLAMACIONES DERIVADAS DE O RELACIONADAS CON LOS MODELOS DE DATA CRED DEBEN PRESENTARSE EN LA CAPACIDAD INDIVIDUAL DE LA PARTE Y NO COMO DEMANDANTE O MIEMBRO DE UNA CLASE EN CUALQUIER SUPUESTA ACCIÓN COLECTIVA, ACCIÓN CONJUNTA, ACCIÓN DE FISCAL GENERAL PRIVADO O PROCEDIMIENTO REPRESENTATIVO.

EN LA MÁXIMA MEDIDA PERMITIDA POR LA LEY APLICABLE, EN NINGÚN CASO DATA CRED, SUS MIEMBROS, GERENTES, FUNCIONARIOS, EMPLEADOS, AGENTES, CONTRATISTAS, PROVEEDORES O AFILIADOS SERÁN RESPONSABLES POR NINGÚN DAÑO DIRECTO, INDIRECTO, INCIDENTAL, ESPECIAL, CONSECUENTE O PUNITIVO DERIVADO DE O RELACIONADO CON LOS MODELOS, RESULTADOS DEL MODELO O LIMITACIONES DEL MODELO DE DATA CRED.

EN LA MEDIDA EN QUE LA LIMITACIÓN ANTERIOR SE DECLARE INEJECUTABLE, LA RESPONSABILIDAD TOTAL AGREGADA DE DATA CRED POR TODAS LAS RECLAMACIONES DERIVADAS DE O RELACIONADAS CON SUS MODELOS, YA SEA POR CONTRATO, AGRAVIO (INCLUYENDO NEGLIGENCIA), RESPONSABILIDAD ESTRICTA O DE OTRO MODO, NO EXCEDERÁ EL MAYOR DE: (A) LAS TARIFAS TOTALES PAGADAS POR EL RECLAMANTE A DATA CRED EN LOS DOCE (12) MESES ANTERIORES A LA RECLAMACIÓN; O (B) CIEN DÓLARES ($100.00).

LOS USUARIOS Y SUJETOS RENUNCIAN A CUALQUIER DERECHO A IMPUGNAR LA METODOLOGÍA, ARQUITECTURA O IMPLEMENTACIÓN DE LOS MODELOS DE DATA CRED EN CUALQUIER PROCEDIMIENTO LEGAL.

AL ACCEDER, UTILIZAR O CONFIAR EN CUALQUIER RESULTADO DE UN MODELO DE DATA CRED, EL USUARIO RECONOCE QUE HA LEÍDO, ENTENDIDO Y ACEPTA TODOS LOS TÉRMINOS, CONDICIONES, LIMITACIONES Y DESCARGOS DE RESPONSABILIDAD ESTABLECIDOS EN ESTE DOCUMENTO.

El usuario declara y garantiza que:

1. Entiende que todos los modelos de DataCred son herramientas de investigación experimentales, no sistemas de decisión certificados

2. Entiende las limitaciones inherentes de los modelos de IA/ML según se describe en este documento

3. No confiará únicamente en los resultados del modelo para ninguna decisión

4. Acepta todos los riesgos asociados con el uso y las limitaciones del modelo

5. No utilizará los resultados del modelo para ningún propósito prohibido

6. Entiende que los modelos cambian sin previo aviso y los resultados no son comparables entre versiones

7. Renuncia a cualquier derecho a impugnar la metodología del modelo

El usuario reconoce que no depende de los modelos de DataCred como la única base para ninguna decisión y que los resultados del modelo no son un sustituto del juicio independiente, la diligencia debida o el asesoramiento profesional.

Estos términos, condiciones, limitaciones y descargos de responsabilidad sobrevivirán a la terminación o expiración de cualquier acuerdo entre el usuario y DataCred y continuarán aplicándose a cualquier uso de los resultados del modelo.

Al acceder, utilizar o confiar en cualquier resultado de un modelo de DataCred, el usuario acepta electrónicamente y acuerda todos los términos, condiciones, limitaciones y descargos de responsabilidad establecidos en este documento. Si el usuario no acepta estos términos, no debe utilizar ni confiar en ningún resultado de un modelo de DataCred.

FIN DEL DOCUMENTO

*Este documento es intencionalmente exhaustivo. Su extensión refleja la profunda complejidad, limitaciones y riesgos asociados con los modelos de IA/ML utilizados en el análisis conductual y la puntuación, y la necesidad de transparencia completa sobre lo que estos modelos pueden y no pueden hacer, sus modos de fallo inherentes y el alcance apropiado de su uso. SI USTED NO HA LEÍDO ESTE DOCUMENTO EN SU TOTALIDAD, NO UTILICE NI CONFIÉ EN NINGÚN RESULTADO DE UN MODELO DE DATA CRED.*

Limitaciones del Modelo | DataCred