El uso de IA/aprendizaje automático en paquetes de productos estandarizados para la lucha contra la delincuencia financiera acelera los resultados
Las instituciones financieras necesitan modernizarse para seguir el ritmo de las cambiantes normativas y leyes contra la delincuencia en todo el mundo. Sin embargo, dado que las instituciones financieras disponen de tantos datos confidenciales, adoptar el aprendizaje automático (ML) de la IA puede resultar complicado, lo que lleva a los clientes empresariales a solicitar servicios a medida adaptados a sus necesidades específicas. En este blog exploraremos si la estandarización en forma de IA estándar puede ofrecer a las instituciones financieras una mayor eficiencia y eficacia.
¿Por qué utilizar la IA y el aprendizaje automático en la lucha contra la delincuencia financiera?
Las instituciones financieras están adoptando el aprendizaje automático para mejorar la eficiencia y la eficacia de la detección de delitos financieros. El aprendizaje automático, un campo de estudio de la IA, implica el desarrollo de algoritmos que permiten a los ordenadores encontrar patrones en los datos y predecir o emitir juicios sobre los hallazgos utilizando modelos computacionales.
Los requisitos de las instituciones financieras son únicos. No sólo deben cumplir las normativas y leyes de todos los países en los que operan, sino que estas leyes y normativas cambian constantemente, con elevadas multas y sanciones en caso de incumplimiento. Tal es la amplitud y la dificultad de ir por delante en el cumplimiento de la normativa que ya existen productos que rastrean los sitios web en busca de los próximos cambios legislativos y reglamentarios y alertan a los clientes antes de que se produzcan. El sector financiero es cada vez más complejo y no va a simplificarse.
Además, hay muchos sectores diferentes dentro de las finanzas -banca, inmobiliario, seguros, etc. - así como diferentes subconjuntos dentro de estos sectores - acciones frente a mutuas de seguros, por ejemplo - lo que, junto con la amplitud de sus datos sensibles y el deseo de una ventaja competitiva, explica el deseo de IA y productos a medida. Aunque estos sectores tienen necesidades diferentes, hay suficientes similitudes como para que surjan tendencias claras sobre qué algoritmos funcionan mejor o casi mejor a la hora de identificar patrones de delincuencia financiera en los datos. El tiempo que se tarda en implantar productos a medida deja a las entidades financieras expuestas a cada vez más problemas de seguridad hasta que el producto está listo.
Al adoptar un producto listo para usar con algoritmos optimizados y de rendimiento constante para cada caso de uso, las instituciones financieras mejorarán drásticamente el tiempo de obtención de valor del ML de IA -el tiempo necesario para obtener el valor del producto-, al tiempo que se cubren de los riesgos normativos continuamente actualizados lo antes posible.
Tipos de algoritmos de aprendizaje automático
El aprendizaje automático comprende una variedad de algoritmos diferentes que analizan conjuntos de datos, identificando patrones, correlaciones y anomalías que los humanos pueden pasar por alto. A medida que lo hacen, aprenden y optimizan las operaciones, mejorando el rendimiento y desarrollando modelos con el tiempo. De este modo, los resultados pueden utilizarse para prever tendencias, hacer predicciones basadas en datos e identificar posibles riesgos y oportunidades.
Los principales tipos de algoritmos de aprendizaje automático son:
- Aprendizaje supervisado: el algoritmo se enseña utilizando datos que ya se comprenden junto con las entradas y salidas deseadas. El algoritmo averigua cómo conseguir esos resultados. Puede cometer errores a medida que aprende, que serán corregidos por el operador.
- Aprendizaje no supervisado: el algoritmo recibe datos y trabaja por su cuenta. Sin instrucciones, analiza las entradas y descubre patrones y correlaciones, agrupando y organizando los datos según sus conclusiones. Con el tiempo, las decisiones mejoran a medida que perfecciona sus procesos.
- Aprendizaje semisupervisado: una combinación de aprendizaje supervisado y no supervisado. El algoritmo utiliza datos etiquetados y no etiquetados. El algoritmo aprende a etiquetar y asignar datos no etiquetados, perfeccionando sus métodos con el tiempo.
- Aprendizaje por refuerzo: el algoritmo recibe un conjunto rígido de instrucciones e información (acciones, parámetros, resultados). Mediante ensayo y error, el algoritmo utiliza los datos según sus instrucciones, controlando y evaluando los resultados para descubrir el enfoque más óptimo.
¿Qué es un software de aprendizaje automático estandarizado?
Es bien sabido qué algoritmos tienden a funcionar con un caso de uso específico. Por ejemplo, los algoritmos basados en árboles de decisión son adecuados para cribar las alertas de blanqueo de dinero e identificar las que pueden ignorarse, reduciendo así las falsas alertas positivas. Para casos de uso específicos, podemos reducir el tiempo de implementación del software de ML utilizando aplicaciones de IA estandarizadas y listas para usar.
Por normalizado, entendemos:
- Disponer de una interfaz de datos estándar que cubra los datos necesarios para un caso de uso específico.
- Disponer de un conjunto de algoritmos de ML estándar de eficacia probada para el caso de uso en lugar de empezar desde cero.
- Disponer de un conjunto de funciones estándar que hayan demostrado su eficacia para el caso de uso en lugar de empezar desde cero.
- Construido utilizando paquetes Python de código abierto estándar en la industria, como SciKitLearn y PyTorch.
- Contar con exportaciones estándar a una interfaz de usuario para una plena interpretabilidad, explicabilidad y capacidad de explicación de los resultados de su modelo estandarizado.
Todo ello contribuye a lograr resultados más rápidamente utilizando software de IA/aprendizaje automático estandarizado y disponible en el mercado. Además, se libera a los científicos de datos para que se centren en casos extremos complejos en los que un enfoque estandarizado no es suficiente o mejora de forma incremental el enfoque estándar.
Requisitos de las instituciones financieras
Los algoritmos de aprendizaje automático para entidades financieras deben abarcar todo lo que el sector trata a diario. Esto incluye desde cambios de comportamiento (una afluencia de depósitos elevada o transferencias repentinas de gran valor fuera del país) hasta aperturas de cuentas que eluden la tecnología tradicional de pantalla de sanciones (utilizar dos letras en un nombre en lugar de una, por ejemplo).
A la hora de cumplir los requisitos de las instituciones financieras, hay que tener en cuenta los procesos de producción de principio a fin. Esto incluye todo lo que conlleva el entrenamiento de un modelo (ingestión de datos, ingeniería de características, refuerzo del modelo e interpretabilidad). Además, requiere la carga de alertas de riesgo en el front-end para los investigadores.
Dado que los requisitos exactos varían mucho de una empresa a otra, las canalizaciones de datos listas para la producción pueden variar considerablemente. Esto se debe a los diferentes algoritmos de ML y a los distintos casos de uso. Por ejemplo, la identificación de cambios en el comportamiento requiere un perfil temporal, mientras que la detección de anomalías puede que no. Estas variaciones pueden aumentar tanto el coste como el tiempo de implantación de un nuevo software de ML.
La pregunta es: ¿merece la pena?
Por qué estandarizar el software de aprendizaje automático es el camino a seguir
La estandarización del software de ML para instituciones financieras ofrece muchas ventajas frente a un enfoque a medida. Lo que se pierde al adquirir un programa diseñado específicamente para las necesidades de una institución financiera se compensa con creces porque esa misma institución puede implantar el software estandarizado mucho más rápidamente que con cualquier otro enfoque.
Sencillamente, el tiempo necesario para aplicar las diferencias y crear una oferta a medida no merece la pena. Como una oferta estandarizada puede ponerse en marcha mucho más rápido, los resultados suelen superar con creces el enfoque a medida.
Como muestra el diagrama siguiente, la formación de un modelo estandarizado no lleva mucho tiempo, por lo que es posible ponerlo en marcha antes, a menudo muchos meses antes de lo que sería factible con una solución a medida. Además, el modelo puede recibir más formación durante su vida útil, haciéndose cada vez más inteligente con el paso del tiempo.
Esto se debe a que las instituciones financieras necesitan actualizar continuamente los modelos con los datos más recientes para garantizar que no se queden obsoletos. Actualizar un enfoque a medida lleva tiempo y depende de cuándo los desarrolladores de software y los científicos de datos de un equipo pueden trabajar en el proyecto. Si hay muchas soluciones a medida, los proyectos pueden acumularse rápidamente.
Con un enfoque estandarizado y listo para usar, en el que los desarrolladores y científicos de datos están familiarizados con el software, el resultado es un enfoque automatizado en gran medida que garantiza pocos cuellos de botella y tasas de actualización mucho más rápidas.
Además, las instituciones dependen de equipos de personas para interpretar los riesgos sobre los que se les alerta. Los distintos algoritmos suelen requerir diferentes enfoques de interpretabilidad de modelos (un medio de explicar el resultado de un algoritmo de ML).
Contar con un algoritmo de detección estandarizado significa que las instituciones financieras pueden adoptar un enfoque de interpretabilidad estándar que funcione bien, y los investigadores estarán familiarizados con el enfoque.
Una última ventaja de una solución estandarizada es que la empresa que crea el software puede dedicarle más dinero y tiempo. Aunque esto pueda parecer poco beneficioso para un cliente, no es del todo cierto. El paquete de software resultante, probado exhaustivamente por muchos clientes en lugar de uno solo, será una oferta mucho más exhaustiva y completa, con menos errores, actualizaciones más coherentes y plazos de entrega más rápidos para las funciones más solicitadas.
La solución SymphonyAI
SymphonyAI solutions are developed by subject matter experts and data scientists who have decades of hands-on experience within the financial sector. The software consists of the trusted technology of NetReveal – a global leader in anti-financial crime for more than twenty years – alongside supervised, semi-supervised, and unsupervised Sensa machine learning models and a comprehensive suite of out-of-the-box rules.
Los modelos se autoaprenden y llevan a cabo con éxito la vigilancia a través de cientos de conjuntos de datos. Los modelos no supervisados se encuentran en una posición única para descubrir nuevas formas, desconocidas e inimaginables hasta ahora, de vigilar el comportamiento y descubrir actividades delictivas mediante la combinación de perfiles de última generación con técnicas punteras de descubrimiento de anomalías. Esto se combina con modelos supervisados que evalúan la similitud del riesgo entre la actividad observada y los comentarios de los analistas a partir de alertas anteriores.
En esencia, los usuarios del software SymphonyAI pueden disfrutar de lo mejor de todos los mundos: tecnología financiera probada y contrastada, innovación en IA de última generación y software en continuo desarrollo para crear un paquete líder en el mundo que puede desplegarse inmediatamente.
El aprendizaje automático se está convirtiendo rápidamente en el estándar esperado por los reguladores. Al utilizar SymphonyAI, las empresas acceden a un sistema que es el producto elegido por un tercio de los 100 principales bancos del mundo.
Más información sobre los servicios financieros de SymphonyAI
