Machine Learning para el análisis de riesgos en Instituciones Financieras[1]: Las entidades financieras están invirtiendo en inteligencia artificial y machine learning para su gestión de riesgos, en especial en el manejo de ciberseguridad y prevención de lavado de activos y financiación de terrorismo – SARLAFT, como lo llamamos localmente. Por ejemplo, en Pronus Control, nuestra plataforma de Regtech, estamos aplicando técnicas de machine learning para detección de anomalías en nuestro servicio de gestión integral de SARLAFT, específicamente en la etapa de monitoreo transaccional.
En efecto, este tipo de software tiene el potencial de detectar anomalías transaccionales de manera más efectiva, rápida y precisa, así como ayudar a predecir comportamiento futuro. Es tal el uso que se está dando a nivel global, que en 2015 el banco central inglés (Bank of England and Financial Conduct Authority) llevó a cabo una encuesta, Machine Learning in UK Financial Services, donde encontraron que el 57% de los encuestados ya estaban usando soluciones de inteligencia artificial para prevenir el fraude y soluciones de SARLAFT[2].
El machine learning es una disciplina de las ciencias informáticas relacionada con el desarrollo de Inteligencia Artificial, la cual hace referencia a la capacidad de una máquina o software de aprender a detectar comportamientos mediante la aplicación de algoritmos, superando la efectividad de un humano[3]. El siguiente cuadro resume las principales diferencias y superioridad del machine learning frente a las técnicas humanas.
Machine Learning vs. Detección de Fraude Tradicional[4]
| Machine Learning | Detección Tradicional |
| Rápido – machine learning es como tener varios equipos de analistas trabajando a la vez, logra obtener los resultados de una manera mucho más rápida, en tiempo real. | Falsos positivos – usando reglas de fraude es posible obtener mayores falsos positivos. Por ejemplo, bloqueando compras de alto valor o de jurisdicciones de alto riesgo. |
| Escalable – entre más datos tiene disponibles, el machine learning mejora en capacidad predictiva, por lo cual, a medida que el flujo que alimenta el algoritmo va creciendo, lo vuelve más potente y eficiente. | Limites fijos – al tener unas reglas preestablecidas es difícil cambiarlas a través del tiempo a medida que el mercado va cambiando. Por ejemplo, el ticket promedio de transacción puede aumentar y las reglas típicamente no reconocen éso. |
| Eficiente y barato – el machine learning logra hacer el mismo trabajo que equipos de back-office de manera más rápida, por lo cual una entidad necesita menos personal para lograr identificar anomalías transaccionales. | Ineficiente y difícil de escalar – es ineficiente tener que actualizar las reglas de fraude y estar al día con nuevas técnicas de fraude y lavado de activos. |
| Mas preciso – muchas veces el machine learning puede encontrar patrones no intuitivos o tendencias sutiles que un analista de riesgo identificaría mucho después o quizás nunca. |
Estos son algunos ejemplos de uso de machine learning populares en el mercado financiero internacional:
- HSBC – Junto con Aysadi, generaron una solución para detectar el lavado de activos. A medida que el software recibe datos sobre pagos, puede identificar patrones de fraude y alertar al equipo para bloquear los pagos.
- JP Morgan – Investigadores en JP Morgan Chase han usado técnicas de deep-learning e inteligencia artificial para desarrollar un sistema de “alerta temprana” que detecta malware, Trojans y
- Danske Bank – Junto con Teradata desarrollaron e implementaron un sistema de deep-learning para la detección de fraude. En este caso encontraron que con un sistema de fraude tradicional se generaban alrededor 1,200 falsos positivos diarios y una tasa de éxito de 40%; de éstos alrededor de 99.5% de los casos que se clasificaban como sospechosos, no eran fraude. Con la nueva herramienta, lograron incrementar la capacidad de detectar fraude en un 50% y disminuir los falsos positivos en un 60%.
Si bien son claras las ventajas que ofrecen estas nuevas tecnologías para la detección de lavado de activos y financiación de terrorismo, o el fraude como posible delito fuente de lavado, existen también algunas desventajas asociadas, como es el caso de las limitaciones en la calidad y cantidad de datos necesarios para que los algoritmos corran de manera eficiente, la transparencia de los datos y la protección misma de éstos de cara a las personas, e incluso, los costos iniciales de desarrollo que no dejan de ser considerables a pesar que la evolución de los procesadores ha abaratado considerablemente las máquinas que permiten la corrida de los complejos algoritmos.
En síntesis, el machine learning se está convirtiendo en una herramienta necesaria para la prevención de fraude y riesgos SARLAFT, ya que este es mas rápido, preciso y costo eficiente frente al sistema tradicional desarrollado por humanos únicamente. Más aún, el machine learning tiene la capacidad no solo de detectar anomalías en entidades financieras, sino además, llegar a predecir y proyectar comportamiento transaccional, permitiendo aplicaciones adicionales tanto de gestión de riesgos como de estrategia comercial.
[1] Camilo Zea, Jose Manuel Echandía, Andrea Bárcena.
[2] https://www.fortunebusinessinsights.com/industry-reports/fraud-detection-and-prevention-market-100231.
[3] https://www.ibm.com/cloud/learn/machine-learning…
[4] https://www.forbes.com/sites/louiscolumbus/2019/07/09/top-9-ways-artificial-intelligence-prevents-fraud/?sh=2a9011ed14b4.