Las metodologías de IA, que simulan el funcionamiento fisiológico del cerebro humano, y tratan de replicar sus procesos de aprendizaje, han mostrado excelente precisión en la detección de fraudes con tarjeta de crédito y cheques.
Muchos delitos, distintas formas de delinquir
Los delitos financieros pueden ser cometidos por clientes de la institución que depositan en sus cuentas bancarias recursos de procedencia ilícita para distribuirlos a otras cuentas y, finalmente, utilizarlos en actividades legales (lavado de dinero).
También los empleados de la institución pueden compincharse con clientes para, a cambio de una comisión, conceder préstamos o hipotecas sin que cumplan los requisitos necesarios.
Hay criminales tecnológicos, que no son ni clientes ni empleados, que pueden hackear cuentas y obtener los datos bancarios de los clientes para desviar recursos y hacer transacciones no autorizadas por el titular.
Los dueños de empresas y gerentes de negocios podrían manipular sus estados financieros para mostrar una posición financiera que no es real.
Las personas jurídicas (empresas) pueden incurrir en la creación de sociedades fantasma, con varios representantes legales y domicilios comunes, para realizar actividades de evasión fiscal.
Métodos tradicionales para la detección de crimen financiero
La detección del crimen financiero es una actividad que se ejecuta una vez que el dinero se ha integrado en los sistemas. Usualmente esta detección se hace a nivel de transacción, cuando un cliente es sospechoso de transacciones relacionadas con el crimen.
No obstante, no todas las transacciones de un mismo cliente tienen por qué relacionarse con alguna actividad criminal.
Las transacciones realizadas pueden ser de depósito, retiro, pago de créditos, compra de acciones, recepción del pago de la nómina, transferencias internacionales, aportaciones a sus cuentas de ahorro y pensión, etc. Estos movimientos se cuentan por millones y algunos podrían estar relacionados con malas prácticas.
Un sistema lógico de detección
La revisión manual e individual de todas estas transacciones por el departamento de cumplimiento y control es una tarea muy demandante de tiempo y recursos. Para cumplir con la responsabilidad de detección, las instituciones financieras han implementado sistemas automatizados.
Por ejemplo, para el caso de lavado de dinero y de actividad de empresas fantasmas, las instituciones usan sistemas automatizados de reglas. Estas reglas se componen de un conjunto de condiciones que esbozan un perfil sospechoso de transacciones. Las condiciones se unen mediante operadores lógicos como Y u O.
Por ejemplo, podemos definir un perfil de transacción sospechosa si el cliente ocupa un cargo político y la cuantía de la transacción supera los 10 000 dólares o los 10 000 euros. Este perfil sospechoso tiene dos condiciones que deben cumplirse al mismo tiempo:
- “El cliente ocupa un cargo político”.
- “La cuantía de la transacción supera los 10 000 dólares”.
La necesidad de que ambas condiciones se cumplan al mismo tiempo se resuelve uniéndolas con Y.
Estas reglas se programan en sistemas automatizados y pueden tener tantas condiciones y operadores lógicos como se desee. La desventaja de estos sistemas de reglas es la gran cantidad de falsos positivos que arrojan, debido a que no se adaptan a los cambios de conducta de los criminales.
La tecnología como potenciador del crimen financiero
La implantación de nuevas tecnologías para ofrecer al cliente opciones para realizar transacciones y acceder a productos financieros ha dificultado el trabajo de los sistemas tradicionales de detección de crímenes bancarios.
Si anteriormente un cliente tenía que asistir presencialmente a una sucursal para hacer el depósito de un cheque, ahora las aplicaciones móviles le permiten escanearlo de forma remota y tener acceso al depósito en las siguientes 24 horas.
Esta facilidad ha hado pie al escaneo remoto de cheques falsos básicamente por dos métodos:
- Cheques con información inventada.
- Cheques falsos con información de cheques legítimos ya cobrados.
La IA como alternativa a los métodos tradicionales
El criminal es un individuo inteligente que utiliza ciertas técnicas para cometer un crimen. Es capaz de aprender de los errores, adaptarse y cambiar su patrón de ejecución. Ante tal problemática, las instituciones necesitan responder con herramientas igual de inteligentes con capacidad de aprendizaje y adaptación.
Es aquí donde la inteligencia artificial aparece como opción factible.
Las metodologías de IA, que simulan el funcionamiento fisiológico del cerebro humano, y tratan de replicar sus procesos de aprendizaje, han mostrado excelente precisión en la detección de fraudes con tarjeta de crédito y cheques. Entre ellos:
- Los algoritmos de bosques aleatorios (random forest), un algoritmo de machine learning que combina la salida de varios árboles de decisiones para alcanzar un resultado único.
- La regresión logística, una técnica de análisis de datos que establece las relaciones entre dos factores de datos para luego predecir el valor de uno de esos factores basándose en el otro.
- Las máquinas de soporte, un conjunto de algoritmos de aprendizaje supervisado para la clasificación y regresión de datos.
Por otro lado, las técnicas de agrupamiento (clustering) y las redes neuronales han contribuido a una significativa disminución de los costes de investigación y falsos positivos en la detección de lavado de dinero y empresas fantasma en los sistemas financieros.
La inteligencia artificial ha llegado para quedarse y ser adoptada por las empresas que estén dispuestas a dar el salto tecnológico. Esto exige la inversión en nuevas plataformas en la nube y licencias de software diseñadas para el análisis eficiente de datos.
José de Jesús Rocha Salazar, Data Science Project Manager, Universidad Complutense de Madrid; María del Mar Camacho Miñano, Profesora Titular Dpto. Administración Financiera y Contabilidad, Universidad Complutense de Madrid y María Jesús Segovia Vargas, Profesor titular de Economía Financiera y Contabilidad, Universidad Complutense de Madrid
Este artículo fue publicado originalmente en The Conversation. Lea el original.
Fuente: RPP