El Foro Económico Mundial (WEF por su nombre en inglés), reunido desde el pasado lunes en Davos Suiza para su
reunión anual, publicó un
informe en el que da cuenta de la aplicación de algoritmos complejos de inteligencia artificial (IA) prevenir el lavado de activos y la financiación del terrorismo.
En efecto, el documento señala que, de cara a la universalización de nuevas tecnologías “a
hora corresponde a las instituciones financieras dar el salto y utilizar la inteligencia artificial y el aprendizaje automático para detectar traficantes de personas, venta de narcóticos y armas, pagos terroristas y el lavado de dinero que alimenta estas actividades”.
De dónde surge la necesidad
La lucha contra el LA/FT tiene un grueso inconveniente, que es el costo total de los mecanismos de prevención. Solo en los Estados Unidos, el gasto por concepto de cumplimiento ALA/CFT se estima en USD 23.500 millones por año mientras que los bancos europeos se acercan a los USD 20 mil millones gastados anualmente.
“
Aún más impactante que el nivel de gasto es que a pesar de estar fondeada la estrategia contra el LA/FT no parece estar funcionando. Durante la última década, el 90% de los bancos europeos han sido multados por delitos relacionados con fallas de cumplimiento antilavado y a nivel mundial las entidades bancarias han sido sancionadas con aproximadamente USD 26.000 millones en los últimos 10 años”, señaló el WEF.
Es por esto que ha crecido la tendencia que los reguladores en países avanzados echorten a las instituciones financieras para que experimenten y utilicen el poder de la inteligencia artificial (IA) y el aprendizaje automático (
machine learning) para detectar actividades sospechosas. En caso de optar por esta vía de acción el WEF sugiere un "trabajo con expertos que puedan traducir el problema, identificar los desafíos para resolverlo y encontrar la mejor solución para abordarlo".
Lea también:
Facebook le apuesta a la ética en la inteligencia artificial
La oportunidad de aplicar AI para ayudar a detectar delitos financieros
Los científicos han buscado, durante mucho tiempo, dar a las máquinas una inteligencia similar a la humana. En esta búsqueda se ha llegado a avances que ya se empiezan a aplicar a problemas reales en los negocios y que tienen el potencial de transformar las industrias y la economía global.
Uno de los casos de uso más conveniente de IA es la batalla contra el crimen financiero.
Este tipo de inteligencia tiene dos beneficios principales para los bancos que participan en esta batalla: puede aumentar la efectividad de las investigaciones de conductas criminales y mejorar la gestión de riesgos de la institución.
De esta manera, además de ayudar a las instituciones financieras a evitar riesgos legales por estar cumpliendo más efectivamente con las regulaciones, la IA tiene el potencial de reducir los costos del desafío principalmente al reducir los falsos positivos en los sistemas de monitoreo y redirigir los esfuerzos de expertos humanos a otras áreas más productivas.
Inteligencia Artificial - Lo básico
Hay dos tipos de IA: la supervisada y la no supervisada, cada una con sus propias fortalezas particulares. Con el modelo de IA y de aprendizaje automático supervisado, se entrena a un modelo a partir datos ya categorizados para identificar transacciones potencialmente sospechosas. Mediante la IA y el aprendizaje no supervisado, los científicos informáticos exponen el sistema a datos sin categorizar a través de los cuales se identifican patrones que podrían indicar lavado de activos.
Lea también:
El robot de la Supersociedades que resuelve conflictos societarios
Asociación entre máquinas y personas
Es importante darse cuenta de que
no se puede esperar que los modelos que usan IA, sin importar lo inteligentes que sean, funcionen sin la supervisión y las pruebas humanas. Incluso en el caso de aprendizaje no supervisado, los seres humanos con experiencia en la materia deben diseñar y optimizar los modelos.
Por ejemplo, así es como cada transacción bancaria debe examinarse para ver si las contrapartes entidades involucradas están en una lista de criminales o terroristas conocidos pues incluso los mejores sistemas de detección producen una alta tasa de falsos positivos que deben ser eliminados por un revisor humano, ya sea eliminando la alerta, o incrementándola para una revisión adicional.
Los seres humanos siguen siendo una parte integral del proceso después de que un modelo se pone en funcionamiento puesto que la IA puede realizar la función de un revisor de nivel uno, pero en el segundo nivel debe existir un humano que revise lo hecho por el sistema y verifique que las decisiones del modelo sean adecuadas. Una vez que el modelo demuestre que trata las alertas con precisión, la revisión en el segundo nivel se hace más laxa.
Actualmente, los sistemas de IA son capaces de realizar mapas de vínculos a partir de inferencias que identifican entidades que son parte de transacciones sospechosas. Los sistemas de IA también recopilan y analizan datos de fuentes públicas, incluso de sitios de redes sociales, para ayudar a establecer calificaciones de riesgo para clientes particulares y, por último, también detectan nuevas actividades de terroristas, pero nada de esto sería posible si no existiera un criterio humano previo plasmado en políticas y una guía permanente por parte de profesionales de cumplimiento.
En palabras del WEF en su documento técnico, “vemos esto como
una verdadera asociación entre las máquinas y los seres humanos. Ambos deben colaborar para lograr cosas que ninguno podría hacer tan bien por su cuenta”.
Lea también:
Software de ‘big data’ de la fiscalía da primeros resultados
Segmentación inteligente
Además del aprendizaje supervisado, el aprendizaje no supervisado será particularmente útil para ayudar a los bancos a distinguir entre el comportamiento bancario típico y la actividad potencialmente sospechosa.
Una de las técnicas de IA más prometedoras para hacerlo es la llamada segmentación inteligente.
Con los sistemas de monitoreo tradicionales, los bancos generalmente segmentan a sus clientes según su industria, el tipo de negocio, el tamaño y otros factores y aplican reglas que históricamente han funcionado para las empresas en esos segmentos. El problema con este enfoque es que dicha categorización no representan consistentemente los grupos según su comportamiento real.
En un piloto realizado por la firma de consultoría Navigant se completó recientemente un proyecto basado en el software de segmentación inteligente de Ayasdi para un banco global. En este proyecto, el sistema de inteligencia artificial se ocupó de analizar las transacciones sin tener en cuenta las categorías tradicionales para, en su lugar, comprender las transacciones y construir segmentos nuevos y más relevantes en función del comportamiento real y no del esperado o promediado.
Los resultados del proyecto fueron satisfactorios porque la cantidad de alertas disminuyó significativamente, y la productividad de las alertas que permanecieron aumentó significativamente en comparación con la productividad utilizando el análisis tradicional.
Lea también: [del archivo]
Herramientas tecnológicas contra el lavado
