Durante la mayor parte de la última década, si necesitabas un modelo de aprendizaje automático para la detección de fraude, PBC (prevención de blanqueo de capitales) o crédito que rindiera en producción, entrenabas un árbol con gradient boosting. XGBoost no ganó porque la investigación no ofreciera nada mejor. Ganó porque nada igualaba su coste, su velocidad y lo fácil que era de explicar. El aprendizaje profundo requería un costoso entrenamiento en GPU y una inferencia más lenta, dejando a los equipos de riesgo con la tarea de defender un modelo que la mayoría consideraba una caja negra. Por eso quedó relegado a equipos avanzados de ciencia de datos dispuestos a asumir el trabajo de hacerlo funcionar en producción. Nosotros somos uno de esos equipos, pero para la mayor parte del sector, XGBoost se convirtió en la opción por defecto.
Oscilar construyó su práctica de modelado sobre ese enfoque, de forma deliberada. Para cada cliente y cada tipo de riesgo, creamos un modelo dedicado, entrenado con los datos de ese cliente y ajustado por un científico de datos a sus patrones de fraude, productos y tolerancia al riesgo. Un modelo ajustado a los datos de un cliente supera a un modelo genérico diseñado para todos y, aunque ese rendimiento es el objetivo, la desventaja es el esfuerzo. Desarrollar cada modelo requiere semanas de trabajo de ciencia de datos, debe reentrenarse para incorporar nuevas etiquetas y cada nuevo cliente o tipo de riesgo suma otro modelo que mantener.
Así que nuestro equipo de ciencia de datos se hizo una pregunta diferente:
¿Podríamos mantener el rendimiento de un modelo a medida, estar al día con cada resultado confirmado y seguir explicando cada decisión como lo hace XGBoost, pero sin tener que crear y reentrenar un nuevo modelo cada vez?
Ese es el modelo fundacional tabular que hemos construido. Cada predicción sigue basándose en los propios datos y etiquetas del cliente. La personalización se produce en el contexto del modelo en el momento de la decisión, en lugar de requerir semanas de entrenamiento.
En esta publicación explicamos cómo lo planteamos: qué es un modelo fundacional tabular, las tres formas en que el sector está aplicando los modelos fundacionales al riesgo y por qué elegimos este camino.

¿Qué es un modelo fundacional tabular?
Un modelo fundacional tabular es un modelo preentrenado con grandes volúmenes de datos estructurados en filas y columnas, lo que le permite realizar predicciones sobre una nueva tabla sin haber visto esos datos antes ni haber sido entrenado con ellos. En lugar de reentrenarse con los datos de cada cliente, lee los ejemplos etiquetados y la transacción entrante como contexto en el momento de la decisión, y devuelve una puntuación directamente.
El término «modelo fundacional» suele asociarse a los chatbots, pero los modelos de lenguaje grande (LLM) son solo una familia. La idea de fondo es más amplia, al igual que su arquitectura. La mayoría de los modelos fundacionales, incluidos los LLM, se basan en transformers, y estos vienen en diferentes variantes.
El nuestro es un transformer diseñado para tablas. En lugar de leer palabras en una frase, lee filas y columnas y utiliza mecanismos de atención para ponderar qué ejemplos y características del pasado importan más para la transacción en cuestión. Se preentrena el modelo una sola vez con un corpus de datos amplio y variado para que aprenda patrones generales, y a partir de ahí puede gestionar nuevas tareas sin necesidad de entrenarlo desde cero.


Cuando le haces una pregunta a un LLM, no se reentrena con ella: lee tu instrucción y responde. Un modelo fundacional tabular hace lo mismo con filas y columnas. La «instrucción» es el historial etiquetado de un cliente: transacciones, solicitudes, cuentas y sus resultados confirmados. La respuesta es una puntuación de riesgo.
La entrada no contiene texto libre, por lo que el modelo no tiene margen para alucinar. Lee los mismos datos estructurados que ya utilizan nuestros modelos. Además, es un modelo diferente a los LLM detrás de nuestro AI Copilot y agentes. Alojamos el modelo de riesgo internamente y ninguna API de terceros interviene en el proceso de decisión.
Tres formas de aplicar modelos fundacionales a las decisiones de fraude y riesgo
El sector ha adoptado principalmente tres enfoques.
1. Embeddings integrados en otro modelo. Esta es la vía adoptada por arquitecturas como TabBert, FATA-Trans y TransTab. Cada transacción se transforma en un vector de alta dimensión que se introduce en un clasificador, como XGBoost, junto a las características existentes. Esto puede aportar mejoras, pero añade un segundo modelo. Ahora la decisión depende de cientos de dimensiones inexplicables y generar esos vectores en tiempo real resulta costoso.
2. Modelos fundacionales relacionales. KumoRFM es el referente en este enfoque. Su gran ventaja es la capacidad de leer muchas tablas a la vez para evitar la ingeniería de características. Sin embargo, tienen inconvenientes importantes: conllevan altos costes de computación, reentrenamientos diarios y requieren un modelo destilado para cumplir con la latencia. Además, devuelven embeddings en lugar de puntuaciones, por lo que un modelo posterior sigue tomando la decisión, y cualquier cambio de esquema afecta a todas las etapas del pipeline. Los cambios tardan al menos un día en surtir efecto, lo que resta agilidad frente a otras alternativas, sobre todo ante un panorama de fraude que puede cambiar en cuestión de segundos. Por último, no son explicables, un requisito clave en PBC y concesión de crédito.
3. Modelos fundacionales tabulares. Operan sobre una única tabla y devuelven la puntuación directamente. El aprendizaje ocurre durante la propia inferencia. Algunos ejemplos conocidos son TabPFN y TabICL.
Elegimos el tercer enfoque, asumiendo con total transparencia lo que implica. Un modelo tabular no elimina la ingeniería de características, así que automatizamos ese trabajo. Tampoco cumple de forma nativa con la latencia en tiempo real que exige la detección de fraude, y lograr bajar de los 100 milisegundos supuso un esfuerzo notable de ingeniería. Asumimos ese reto por todas las ventajas que este enfoque nos ofrece a cambio.
Ventajas del enfoque del modelo fundacional tabular
Utilizar un modelo fundacional tabular ofrece cinco ventajas clave frente a las otras alternativas:
El entrenamiento se realiza en la inferencia. Cada etiqueta confirmada perfecciona la siguiente decisión, sin esperas por reentrenamientos nocturnos ni ciclos de actualización del modelo. Esta cualidad transforma la operativa de un equipo de riesgo.
Puntúa de forma directa. Un único modelo toma la decisión, sin necesidad de un clasificador secundario por detrás.
Las explicaciones funcionan igual que hoy. La atribución de variables mediante SHAP y los códigos de motivo funcionan igual que con XGBoost, permitiendo que auditores y reguladores revisen los mismos informes que ya conocen. Si un proceso de cumplimiento normativo exige el formato tradicional, podemos destilarlo en un modelo XGBoost estándar.
Las variables se modifican en segundos. Añadir, quitar o cambiar una variable no exige reconstruir el modelo. En cuanto los datos que recibe cambian, el modelo queda listo.
Un solo modelo cubre fraude, PBC, crédito y riesgo de dispositivos y comportamiento. Mejoramos y mantenemos un único activo en lugar de una lista creciente de modelos a medida. El tiempo de desarrollo pasa de semanas a días.

Cómo rinde
Los resultados varían según el conjunto de datos y el caso de uso. En nuestras pruebas comparativas, el modelo fundacional tabular ha mejorado la exhaustividad (recall) entre un 35% y un 65% con la misma tasa de impacto en ciertos datos: detecta más fraude sin marcar a más clientes legítimos. En otros casos, rinde al mismo nivel que XGBoost. Aun así, se obtiene esa precisión a partir de un único modelo compartido que actualiza su contexto en segundos en lugar de esperar a un reentrenamiento.

Su ventaja es aún más clara cuando los datos etiquetados escasean. Un modelo XGBoost específico por cliente necesita un amplio historial etiquetado para ser fiable. En cambio, un modelo fundacional tabular parte de lo aprendido en su preentrenamiento, logrando mucho más con un volumen menor de casos confirmados.
Con qué se entrena el modelo
El modelo se preentrena de forma offline con patrones de fraude del sector y escenarios de ataque sintéticos, incluidos casos diseñados para anticipar patrones aún no etiquetados. En el momento de la decisión, los casos confirmados del cliente se introducen como contexto.
Los datos y etiquetas de cada cliente se utilizan únicamente para sus propias predicciones; nunca influyen en los resultados de otros clientes.
El modelo sigue necesitando etiquetas. Para ciertos casos de uso (ACH, PBC, depósitos con tarjeta y señales de comportamiento y de dispositivos), disponemos de versiones ajustadas listas para usar desde el primer día. En el resto, el valor aumenta a medida que se incorporan nuevos resultados confirmados. Los equipos con pocas etiquetas también obtienen excelentes resultados, ya que es ahí donde la ventaja del modelo frente a XGBoost es mayor.
Modelos fundacionales tabulares frente a modelos de consorcio
Los modelos de consorcio agrupan datos etiquetados de muchos participantes y entrenan un único modelo para un caso concreto. Funcionan de inmediato, lo cual es su gran atractivo. Sin embargo, tardan en actualizarse, suelen favorecer a los participantes más grandes, cada cambio en las variables debe esperar al siguiente ciclo de entrenamiento y solo reconocen patrones que sus miembros ya han presenciado.
Así es como vemos los modelos de consorcio: son una versión limitada de un modelo fundacional. Un consorcio reúne datos etiquetados de sus miembros, entrena con ellos una vez y luego debe esperar al próximo ciclo para incorporar novedades. Además, solo cubre un caso de uso. Por el contrario, un modelo fundacional tabular lee los datos etiquetados directamente en el momento de la decisión.
Con las etiquetas adecuadas en su contexto, puede hacer lo mismo que un modelo de consorcio para ese caso de uso y, al cambiar el contexto, adaptarse a otro distinto. Las nuevas etiquetas influyen en la siguiente decisión de inmediato. Por eso definimos los modelos de consorcio como modelos fundacionales cuyo contexto no se puede cambiar. El contexto de cada cliente se compone de sus propios datos y etiquetas, por lo que no es necesario compartir información con otras empresas.

El modelo en sí no es la ventaja competitiva
No pretendemos superar a los grandes laboratorios de IA en el entrenamiento básico de modelos, ni nos hace falta. La investigación sobre modelos fundacionales tabulares es abierta. Lo que determina el éxito de uno de estos modelos en un entorno real de riesgo es la infraestructura que lo rodea: qué datos procesa, su velocidad de respuesta, cómo se explica y la forma en que se monitoriza e implementa.
Ahí es donde nuestro equipo de ciencia de datos centra sus esfuerzos hoy. Al no tener que entrenar modelos individuales para cada cliente, la clave del rendimiento reside en lo que llamamos ingeniería de contexto tabular continua: decidir qué información consulta el modelo en cada decisión. Es una disciplina incipiente, y es ahí donde planeamos seguir marcando la diferencia.
Qué cambia esto para los equipos de riesgo
Modelos más rápidos. Crear un modelo hoy lleva semanas en lugar de meses, y nuestro objetivo es lograr desplegar en una semana un endpoint activo listo para puntuar transacciones en producción.
Decisiones siempre al día. El modelo aprende del fraude confirmado hoy mismo, no tras el siguiente reentrenamiento. Actualizamos su contexto en segundos (5,8 segundos, para ser exactos) sin interrumpir la puntuación en directo.
La misma trazabilidad para auditorías. Conservas los mismos códigos de motivo y atribuciones de variables, y la misma claridad para responder ante los reguladores.
Una base más sólida para los agentes de IA. Los agentes investigan, redactan informes de casos y recomiendan reglas, mientras que el modelo y tus reglas toman las decisiones. Dado que el modelo genera códigos de motivo, tanto tus analistas como tus agentes pueden explicar con claridad lo sucedido.

Dónde nos encontramos
Nuestros esfuerzos han dado frutos. Este proyecto nos ha permitido desarrollar un modelo con un rendimiento excelente que califica en tiempo real, superando las actualizaciones diarias de embeddings. Los clientes que utilizan nuestros servicios gestionados contra el fraude ya lo tienen en producción y estamos migrando al resto hacia este modelo fundacional. Con este enfoque tabular hemos alcanzado velocidad y precisión. Y respecto a los costes: ninguna GPU es tan cara como un científico de datos con experiencia.
No te pierdas nuestro próximo seminario web, donde Saurabh Bajaj y Eddy Fathi explicarán este enfoque en directo, incluyendo una demostración interactiva de cómo razona el modelo en cada decisión.
Preguntas frecuentes
¿Qué es un modelo fundacional tabular?
Es un modelo preentrenado con grandes volúmenes de datos estructurados en filas y columnas que realiza predicciones sobre una nueva tabla sin necesidad de entrenarse desde cero. Lee el historial etiquetado del cliente como contexto en el momento de la decisión y devuelve una puntuación de riesgo directamente.
¿En qué se diferencia un modelo fundacional tabular de XGBoost?
Un modelo XGBoost se entrena habitualmente para un único cliente y tipo de riesgo, y debe reentrenarse cuando llegan nuevas etiquetas. Un modelo fundacional tabular atiende a múltiples clientes y tipos de riesgo, y cada etiqueta confirmada optimiza la siguiente decisión sin reentrenar. Las explicaciones siguen siendo las mismas: atribuciones SHAP y códigos de motivo.
¿Pueden los auditores y reguladores revisar sus decisiones?
Sí. Genera las mismas atribuciones de variables SHAP y códigos de motivo que XGBoost. Si un proceso de cumplimiento normativo requiere el formato tradicional, el modelo se puede destilar en un XGBoost estándar.
¿Es un modelo fundacional tabular lo mismo que un modelo de lenguaje grande (LLM)?
No. Solo procesa datos estructurados, sin texto libre, por lo que no genera alucinaciones. Oscilar aloja el modelo internamente y no depende de ninguna API externa para tomar decisiones.
¿Influyen los datos de un cliente en las puntuaciones de otro?
No. Los datos y etiquetas de cada cliente se utilizan exclusivamente para sus propias predicciones.

Eddy Fathi
Director de Ciencia de Datos







