Agentes de Riesgo para Pymes

Demo funcional de un sistema de evaluación de riesgo crediticio para Pymes usando IA y agentes autónomos por www.datascience4business.com

📋 Descripción

Este proyecto implementa un sistema completo de análisis de riesgo crediticio que combina:

1. Modelo predictivo de probabilidad de default (PD) usando Logistic Regression
2. API REST con FastAPI para servir el modelo
3. Agentes de IA con CrewAI para análisis automatizado multi-perspectiva
4. Interfaz web con Streamlit para interacción del usuario
5. Generación de informes PDF profesionales usando plantillas HTML y WeasyPrint

🏗️ Estructura del Proyecto

├── agentes.py                    # Sistema de agentes CrewAI
├── api_pd.py                     # API FastAPI del modelo
├── app_streamlit.py              # Interfaz web
├── lanzar_app.bat                # Script para lanzar todo el sistema
├── .env                          # Configuración (API keys)
├── requirements.txt              # Dependencias
├── datos/                        # Datos generados
│   ├── estados_financieros_entrenamiento.csv
│   ├── estados_financieros_validacion.csv
│   ├── pd_entrenamiento.csv
│   └── pd_validacion.csv
├── artefactos/                   # Modelos entrenados
│   └── modelo_pd.pkl
└── plantillas/                   # Templates HTML
    └── plantilla_informe.html    # Plantilla del informe PDF

🚀 Instalación y Configuración

1. Crear entorno y instalar dependencias

# Crear entorno conda
conda create -n agentes_riesgos_pymes python=3.11 -y
conda activate agentes_riesgos_pymes

# Instalar dependencias
pip install -r requirements.txt

2. Configurar API de OpenAI (para agentes)

Edita el archivo .env y configura tu API key:

# Opción 1: OpenAI (recomendado)
OPENAI_API_KEY=sk-tu-api-key-aqui

🎯 Uso

Uso simplificado con lanzar_app.bat

Para lanzar todo el sistema (API, agentes y Streamlit) de forma automática, simplemente ejecuta el archivo por lotes:

lanzar_app.bat

Este script:

• Activa el entorno y verifica dependencias
• Genera los datos y entrena el modelo si es necesario
• Lanza la API FastAPI en una ventana separada
• Inicia la aplicación Streamlit

Accede a la interfaz web en http://localhost:8501 y la API en http://localhost:8000.

Para detener la API, cierra la ventana correspondiente. Para detener Streamlit, presiona Ctrl+C en la terminal.

🤖 Sistema de Agentes

El sistema utiliza 3 agentes especializados que trabajan secuencialmente:

1. Agente de Modelo de PD

• Rol: Especialista en modelos de riesgo
• Herramienta: herramienta_modelo_pd
• Función: Obtiene la PD a 12 meses y banda de score del modelo

2. Analista de Ratios Financieros

• Rol: Analista de estados financieros
• Herramienta: herramienta_analisis_financiero
• Función: Calcula ratios clave y detecta fortalezas/debilidades

3. Orquestador de Evaluación

• Rol: Responsable senior de riesgos
• Herramienta: Ninguna (sintetiza información de otros agentes)
• Función: Genera resumen ejecutivo combinando todas las señales

Flujo de Trabajo

┌─────────────────────────┐
│  Agente Modelo de PD    │
│  ↓ Llama API            │
│  ↓ Obtiene PD + banda   │
└───────────┬─────────────┘
            ↓
┌─────────────────────────┐
│  Agente Ratios          │
│  ↓ Lee estados fin.     │
│  ↓ Calcula ratios       │
└───────────┬─────────────┘
            ↓
┌─────────────────────────┐
│  Orquestador            │
│  ↓ Sintetiza todo       │
│  ↓ Genera resumen       │
└───────────┬─────────────┘
            ↓
   Resumen Ejecutivo Final

Informe PDF Profesional

El sistema genera informes PDF de alta calidad.

La plantilla HTML se encuentra en plantillas/plantilla_informe.html.

📊 Características del Modelo

• Algoritmo: Logistic Regression
• Features: 18 variables financieras + ratios calculados
• Target: Default a 12 meses (0/1)
• Métricas:
  • AUC-ROC en validación
  • Bandas de score (AAA, AA, A, BBB, BB, B, C)

Variables Utilizadas

• Ingresos, EBITDA, Utilidad neta
• Caja, Cuentas por cobrar, Inventario
• Activos fijos, Pasivos totales, Patrimonio
• Cuentas por pagar, Gastos de intereses
• Ratios: Liquidez, Apalancamiento, ROE, Margen EBITDA, etc.

🎓 Propósito Educativo

Este proyecto es una demo funcional para mostrar:

• Integración de ML, APIs y agentes de IA
• Arquitectura de microservicios para riesgo crediticio
• Buenas prácticas en ciencia de datos aplicada

No usar en producción sin validación adicional.

📄 Licencia

Este proyecto es solo para uso de aprendizaje personal. Está prohibido su uso no autorizado por DS4B para cualquier otro objetivo diferente al aprendizaje propio y personal.

---

Autor: www.datascience4business.com
Fecha: Enero 2026