El AA y la automatización impulsan las eficiencias en las iniciativas contra los delitos financieros

Las instituciones financieras adoptan sistemas de detección avanzados en lugar de los antiguos sistemas basados en reglas

Si bien el aprendizaje automático (AA) y la automatización están ayudando a combatir los delitos financieros como el fraude
y el lavado de dinero, aún hay mucho margen para la mejora.

A propósito, desde el inicio de la pandemia, se ha producido un «enorme aumento» de los fraudes financieros de primera mano o fraudes perpetrados sin identidades falsas, según indicó Sandip Nayak, director de Estrategias e Inteligencia Artificial de Linear Financial Technologies, proveedor de una plataforma de apertura de cuentas digitales.

Solo se detecta el 1 % o menos de los $2 billones a $4 billones que se lavan cada año a través del sistema financiero global, según estimaciones de las Naciones Unidas y de desarrolladores de software contra delitos financieros, como Nasdaq.

Esa tasa de éxito es «absolutamente desastrosa», señaló Andrew Davies, vicepresidente de Estrategia de Mercado Global para Gestión de Riesgo de Delitos Financieros del proveedor central Fiserv.

Limitaciones de los sistemas basados en reglas

Parte de la dificultad en las iniciativas contra los delitos financieros es que «las instituciones financieras han utilizado en gran medida sistemas basados en reglas, que intentan identificar el fraude sobre la base de instancias de fraude anteriores», explicó Jason Chorlins, socio a cargo del departamento de Servicios de Banca en la firma contable y de asesoramiento empresarial Kaufman Rossin.

«Estos sistemas tienden a arrojar grandes cantidades de alertas de falsos positivos, lo cual complica los recursos antilavado de dinero (AML) y antifraude».

Los motores basados en reglas utilizan «elementos de datos de identidad como nombre, dirección, número de teléfono y dispositivo, que no son predictivos», observó Nayak. El efecto dominó de los falsos positivos también hace perder tiempo y recursos.

Esas alertas suelen surgir después de instancias significativas de delitos financieros. «Las estafas de fraude comienzan en pequeñas cantidades antes de acumularse hasta el punto de activar las señales de advertencia en las que se basan los sistemas de monitoreo basados en reglas», contó Chorlins a Bank Automation News.

Los bancos y las instituciones financieras «pueden tener las mejores reglas del mundo, pero si no están diseñadas para identificar las tipologías de fraude específicas que existen, entonces lo más probable es que pasen desapercibidos, no van a ser detectados por el radar», agregó Chorlins.

3 factores para una detección más inteligente

1. Algoritmos de aprendizaje profundo.

Chorlins y Nayak dijeron a BAN que los mejores sistemas contra los delitos financieros abordan posibles comportamientos delictivos dentro de la población, en lugar de buscar elementos de datos. Los sistemas de detección avanzados utilizan algoritmos de conocimiento profundo, un tipo de AA, según indicaron.

2. Datos alternativos.

Nayak añadió que los sistemas de datos también utilizan datos alternativos para mejorar los resultados. La plataforma antifraude de Linear, que se lanzó en noviembre, aprovecha flujos de datos alternativos, y con el AA, cuantos más datos contextuales, mejor. Eso podría incluir elementos como información adicional sobre el pagador y el beneficiario de una transacción.

3. Autocalibración y personalización.

Una tercera característica de los sistemas de detección avanzados también entra en la categoría de AA: autocalibración y autopersonalización. Nayak indicó que los estafadores evolucionan y la naturaleza del fraude puede ser muy específica del canal, por ejemplo, si está ocurriendo en una sucursal bancaria física o en línea, y un sistema de detección avanzado también debe evolucionar si quiere ser predictivo.

«Las tecnologías de AA examinan las transacciones financieras y tratan de encontrar excepciones a los comportamientos habituales», dijo Chorlins. Los sistemas de detección avanzados también se concentran en poblaciones más específicas, al apuntar a «agrupaciones de pares» más acotadas en lugar de las amplias agrupaciones empresariales a las que se dirigiría un sistema basado en reglas.

La automatización está desempeñando un papel importante, sobre todo en la gestión de tareas tediosas como la clasificación de alertas y señales de advertencia. La automatización robótica de procesos (RPA) «puede tomar tareas de rutina como las búsquedas manuales de información adicional sobre los implicados en una transacción marcada como advertencia y automatizarlas», señaló Chorlins a BAN.

A medida que proliferan los sistemas mejorados de detección de fraudes y delitos financieros mediante el uso de AA, más bancos e instituciones financieras los adoptan. En los últimos dos años, «vemos una adopción más generalizada de estos tipos diferentes de tecnologías», señaló Chorlins. Y el aumento abrupto del trabajo remoto desde el inicio de la pandemia ha acelerado la adopción.