El modelo de scoring se ejecuta sobre representaciones cifradas del historial crediticio y las señales de morosidad. Los datos no se descifran en memoria durante la evaluación, lo que reduce la superficie de exposición en el pipeline de originación.
Cada orden enviada a mercado se firma con esquemas postcuánticos y se verifica contra la contraparte antes de su ejecución. Aplica a mesas de derivados y a cualquier flujo donde la integridad del libro de órdenes sea crítica.
Medimos latencias de respuesta, consumo de CPU y patrones de red para detectar si una estrategia algorítmica puede reconstruirse desde fuera. Incluye rotación de parámetros del modelo y aislamiento por enclaves cuando el entorno lo permite.
Durante la migración conviven esquemas clásicos y postcuánticos sobre los mismos flujos. Definimos qué componentes sustituir primero, cómo verificar la compatibilidad con contrapartes y qué exige la criptografía ágil en entornos regulados.
El cifrado se acopla al modelo de riesgo ya en producción sin reentrenarlo desde cero. Revisamos el pipeline actual, los puntos donde se descifran datos y las dependencias de latencia antes de proponer el esquema de sustitución.
Ver también servicios de integración y soluciones por tipo de operación.
Las dudas más repetidas en mesas de riesgo, equipos de datos y auditoría cuando un modelo de scoring empieza a operar sobre primitivas resistentes a ataques cuánticos. Respuestas directas, sin jerga regulatoria innecesaria.
Que las primitivas criptográficas que protegen el modelo (intercambio de claves, firmas, hashing) están diseñadas para resistir ataques de un ordenador cuántico suficientemente grande. En la práctica, esto se traduce en esquemas como ML-KEM para el intercambio y ML-DSA para firmas, aplicados al pipeline de inferencia y no solo al transporte de datos.
No necesariamente. Con cifrado homomórfico ligero o enclaves aislados, el modelo opera sobre representaciones cifradas o dentro de un dominio sellado. El dato sensible solo se descifra en el momento de la decisión final, y en muchos flujos ni siquiera eso: la salida puede ser un score agregado sin exponer el registro original.
Depende del esquema y del volumen. En scoring en tiempo real con ML-KEM, el coste adicional suele quedarse en decenas de milisegundos por operación. El problema real aparece cuando se combinan firmas por cada consulta con rotación frecuente de claves. Ahí conviene separar el canal de autenticación del canal de inferencia.
El cifrado convencional no cubre canales laterales: tiempos de ejecución, consumo energético, orden de envío de órdenes. Una estrategia puede reconstruirse observando esas señales aunque el tráfico esté cifrado. La mitigación pasa por ruido controlado en latencias, aislamiento por enclaves y rotación periódica de parámetros del modelo.
La transición realista es híbrida. Se mantiene criptografía clásica junto a la postcuántica durante un periodo, priorizando los componentes más expuestos: firma de órdenes, verificación de contrapartes e integridad del libro de órdenes. Los modelos de valoración de derivados suelen migrarse después, porque su ciclo de vida es más largo y su validación más costosa.
A ambos, pero con prioridades distintas. El entrenamiento maneja históricos de crédito y patrones de consumo que no pueden filtrarse; ahí el cifrado en reposo y el control de acceso pesan más. La inferencia en producción es donde el cifrado en uso y los canales laterales se vuelven críticos, porque es el punto donde un atacante puede observar comportamiento en tiempo real.
Si necesitas revisar el encaje de estos esquemas con tu operativa actual, puedes escribirnos desde contacto. Los detalles sobre tratamiento de datos y condiciones de uso están en política de privacidad y términos.