Detección de fraudes con IA en la banca

Al analizar grandes conjuntos de datos, los modelos de IA pueden aprender a reconocer la diferencia entre actividades sospechosas y transacciones legítimas, y pueden ayudar a identificar posibles riesgos de fraude para prevenir delitos financieros, incluso detectando tendencias que un agente humano podría pasar por alto.

Las instituciones financieras están integrando cada vez más soluciones de IA en flujos de trabajo nuevos y existentes para mejorar la toma de decisiones, la prevención del fraude y la gestión de riesgos. Los modelos de machine learning impulsados por IA entrenados con datos históricos pueden utilizar el reconocimiento de patrones para detectar y bloquear automáticamente la ejecución de posibles transacciones fraudulentas. También pueden requerir que los agentes humanos completen pasos de autenticación adicionales para verificar una transacción sospechosa. La tecnología de IA también puede utilizar análisis predictivos para estimar qué tipos de transacciones futuras podría realizar una persona, y puede reconocer si un nuevo tipo de transacción o comportamiento transaccional es inusual. 

De esta manera, la tecnología financiera de IA puede ayudar a proteger a las personas de las pérdidas financieras resultantes de varios tipos de fraude, incluidas las estafas de phishing, el robo de identidad, el fraude de pagos, el fraude de tarjetas de crédito y otras variedades de fraude bancario.

Los sistemas de detección de fraude con IA no son perfectos, y algunos falsos positivos pueden afectar negativamente la experiencia general del cliente. Pero evitar que los estafadores cometan delitos financieros, desde cargos no autorizados hasta lavado de dinero, es primordial para garantizar la seguridad de las cuentas de los clientes y mantener el cumplimiento normativo de las instituciones financieras.

A medida que continúan los avances en la tecnología de IA, tanto los proveedores de prevención de fraude impulsada por IA como las instituciones financieras líderes confían en que la IA se convierta en una herramienta aún más valiosa para prevenir intentos de fraude y mitigar los riesgos de fraude.

La tecnología de la IA permite a las computadoras comportar, aprender, adaptar, resolver problemas y actuar con autonomía de forma similar a la cognición humana. Aunque los sistemas de IA no son necesariamente tan inteligentes como sus colegas humanos, cuando operan dentro de sistemas estrictos y basados en reglas, una IA capacitada y centrada en tareas específicas puede igualar o superar a los agentes humanos a velocidades y escalas mucho mayores. 

Los sistemas de IA utilizados en la prevención del fraude bancario están altamente ajustados para tareas específicas. Los modelos de IA se entrenan utilizando grandes cantidades de datos cuidadosamente curados a través de un proceso llamado aprendizaje supervisado. Este método enseña al modelo a reconocer patrones específicos para tareas específicas.

Por el contrario, el aprendizaje no supervisado permite que los sistemas de IA saquen conclusiones de datos anteriores sin materiales de capacitación dirigidos.

En casos de aprendizaje supervisado los sistemas de IA se capacitan en tácticas de fraude específicas para guiar el reconocimiento de patrones. Un ejemplo de un conjunto de datos de aprendizaje supervisado podría parecerse a miles de registros financieros normales mezclados con ejemplos identificados de comportamiento fraudulento, como una transacción inusualmente grande o una transferencia de dinero a una dirección fraudulenta conocida.

La IA se entrena de esta forma para volverse muy hábil a la hora de reconocer tanto transacciones promedio, probablemente legítimas, como transacciones que son comunes a patrones de comportamiento fraudulento conocidos. 

Las técnicas de detección de anomalías no supervisada se usan para llenar las lagunas en las que podrían faltar modelos de entrenamiento supervisado. Estas técnicas permiten a los modelos de IA reconocer patrones de comportamiento previamente imprevistos, pero aún inusuales. El uso de sistemas de IA con funcionalidad de aprendizaje no supervisado puede analizar nuevos datos para detectar posibles tácticas de fraude antes de que los agentes humanos se den cuenta de tales amenazas. 

A través del aprendizaje supervisado y no supervisado, los bancos pueden utilizar la automatización de IA para detectar patrones de fraude previamente confirmados y dar la alarma si patrones desconocidos indican la posibilidad de nuevas actividades fraudulentas.

Una de las aplicaciones más comunes de la tecnología IA es el chatbot de redes sociales, un programa automatizado que puede realizar conversaciones con los clientes. Chatbots como estos se usan a menudo para la atención al cliente, en respuestas de preguntas básicas y para proporcionar información en tiempo real sin tener que esperar a que un agente humano esté disponible.

Más allá de la atención al cliente, la industria bancaria utiliza muchos otros tipos de programas y software que incorporan IA para identificar y prevenir posibles fraudes. Los bancos utilizan sistemas de IA para la detección en tiempo real al encargar a los programas habilitados para IA que analicen cantidades masivas de transacciones para identificar y marcar cualquier actividad sospechosa en las cuentas de diversas formas, entre las que se incluyen las siguientes: 

• Apoyo a la fuerza laboral: los trabajadores humanos que realizan la prevención tradicional del fraude pueden acceder a los asistentes de IA basados en LLM para comunicarse con lenguaje natural y consultar grandes conjuntos de datos o hacer referencia a documentos de políticas largos y complicados.

• Cumplimiento normativo: los bancos están bajo una gran presión por mantener el cumplimiento normativo. Los programas de IA pueden ayudar a los bancos a implementar políticas de Conozca a su cliente (KYC) con visión artificial analizando los documentos de verificación de identidad en busca de inconsistencias o signos de fraude. También pueden ayudar a los bancos a implementar procesos de prevención del lavado de dinero (AML) al alertar sobre cuentas conocidas o comportamientos asociados con el lavado de dinero ilegal, como el movimiento de cantidades idénticas de moneda entre cuentas dispares. 

• Detección de anomalías: los sistemas de IA son particularmente útiles para cualquier aplicación que requiera reconocimiento de patrones. Tipos específicos de IA, conocidos como neural networks (GNN), están diseñados para procesar datos que pueden representarse como una gráfica, como los datos muy comunes a la industria bancaria. Las GNN son capaces de procesar miles de millones de registros para identificar patrones en amplias franjas de datos para rastrear y detectar incluso los fraudes más complejos. 

• Puntuación de riesgos: los modelos de IA y machine learning se basan en datos ponderados para asignar probabilidades a acciones potenciales y evaluar su decisión o acción más precisa. Como tales, pueden realizar evaluaciones basadas en múltiples factores, como los montos de las transacciones, la frecuencia, la ubicación y el comportamiento pasado, lo que los hace muy adecuados para determinar el riesgo. Las IA pueden determinar el riesgo de una transacción determinada, así como el riesgo de conceder un préstamo o una línea de crédito a solicitantes potencialmente fraudulentos. 

• Análisis de red: las técnicas de machine learning, como el análisis gráfico, se pueden utilizar para descubrir redes de posibles estafadores mediante el análisis de las relaciones entre entidades y la identificación de conexiones o clústeres sospechosos.

Los sistemas de IA están marcando el comienzo de una nueva era de detección de fraudes y seguridad en la industria bancaria, ofreciendo mejoras drásticas con respecto a los métodos tradicionales de detección de fraudes. Sin embargo, los modelos de IA se basan en los aprendizajes y prácticas de los sistemas tradicionales, y los métodos tradicionales siguen teniendo su lugar. 

• Implementación fácil: las técnicas tradicionales de detección de fraude se basan en enfoques predefinidos basados en reglas que están bien establecidas y son fáciles de ejecutar. Por ejemplo, marcar cualquier transacción nueva que supere un determinado rango promedio en función de los hábitos de gasto de una cuenta en particular. 

• Inteligencia humana: los analistas humanos tradicionales de detección de fraude aportan un cierto nivel de experiencia, intuición y conocimientos. En algunas situaciones, solo un humano capacitado tradicionalmente podría verificar la legitimidad de una transacción determinada o reconocer un posible intento de fraude. 

• Alcance limitado: los sistemas tradicionales de detección de fraude basados en reglas se basan en relaciones fijas (por ejemplo, si X, entonces Y). Si bien este enfoque puede ser eficaz, también falla al incorporar las posibles interacciones amplias y complejas entre muchos puntos de datos diferentes. 

• Escala limitada: a medida que aumentan los volúmenes de transacciones, los sistemas tradicionales creados y gestionados por especialistas en detección de fraudes impulsados por humanos tienen dificultades para procesar rápidamente la creciente cantidad de datos generados cada minuto de cada día. Contratar más trabajadores no solo es costoso, sino que incluso puede no ser suficiente. 

• Alta tasa de error: los sistemas basados en reglas utilizados en los sistemas tradicionales de detección de fraude suelen ser muy rígidos y se activan cada vez que se observa un posible indicador de fraude. Esta rigidez puede ocasionar un gran volumen de falsos positivos. Por ejemplo, si una cuenta determinada nunca ha realizado un retiro de más de 100 USD y luego intenta retirar el doble, es probable que el sistema bloquee la transacción. Pero aunque este comportamiento es inusual, no necesariamente indica fraude. En esta situación, es posible que un cliente simplemente necesite hacer un retiro inusualmente grande. Estos falsos positivos pueden desencadenar investigaciones y retrasos innecesarios, lo que conduce a una menor satisfacción del cliente.

• Reconocimiento de patrones mejorado: los sistemas de IA son excelentes para la Ingesta de cantidades masivas de datos para reconocer patrones complejos y oscuros. Al ver el panorama general, los sistemas de IA pueden identificar actividades anómalas con mayor precisión.

• Escalabilidad masiva: a través de la automatización, los sistemas de IA pueden monitorear enormes cantidades de transacciones mucho mayores de lo que los humanos podrían gestionar. La detección de fraudes impulsada por IA es capaz de realizar análisis en tiempo real y puede proporcionar una respuesta rápida más rápida que los métodos tradicionales. 

• Adaptabilidad: una vez entrenados, los algoritmos de IA no dejan de aprender. A medida que los sistemas de IA continúan funcionando, pueden aprender y adaptarse, mejorando sus capacidades para detectar nuevos tipos de fraude y mejorar su eficacia.

• Dependiente de los datos: los modelos de IA requieren cantidades extremadamente grandes de datos para entrenar, aprender y crecer. Estos datos deben obtenerse o crearse (datos sintéticos), pero también deben curarse. La precisión de un modelo de IA determinado depende de la calidad de los datos de entrenamiento. 

• Implementación compleja: los sistemas de IA pueden ser difíciles de integrar en los sistemas existentes. Si bien los sistemas de IA ahorran dinero a largo plazo, también pueden requerir una gran inversión inicial. 

Desde su implementación, varias instituciones financieras y bancos encontraron evidencia significativa que respalda la creciente adopción de la detección de fraude con IA. Con el uso de modelos avanzados de memoria larga a corto plazo (LSTM), American Express pudo mejorar la detección de fraude en un 6 %. Y PayPal logró mejorar su detección de fraude en tiempo real en un 10 % a través de sistemas de IA que funcionan las 24 horas del día, en todo el mundo. 

En la práctica, los casos de uso de detección de fraude con IA en la banca son abundantes y van en aumento, incluidos los siguientes.

Como tecnología revolucionaria, la detección de fraude con IA ya está teniendo un impacto drástico en las industria bancaria, con un potencial aún mayor. Sin embargo, a pesar de los muchos beneficios que ofrece la IA, esta nueva tecnología no está exenta de desafíos.

Los sistemas de IA están mejorando cada día, pero no son infalibles. Los modelos de IA pueden generar con frecuencia resultados inexactos, conocidos como alucinaciones. En la banca, los resultados inexactos pueden mitigarse mediante la creación de modelos hiperespecializados diseñados para tareas muy específicas, pero este tipo de modelos limitan el valor potencial de la IA. Si bien las alucinaciones no son tan comunes como para hacer inútil a la IA, aumentar la precisión será crítico para el avance de la IA en la protección contra el fraude bancario.

El sesgo en el análisis de datos fue un problema desde los primeros días de la ciencia, mucho antes de la tecnología informática. Por desgracia, el problema persiste. En el delicado campo de los servicios financieros, se trabajó mucho para eliminar los prejuicios y la discriminación de las prácticas de préstamo y protección de cuentas. Eliminar los sesgos en los modelos de IA creados por tecnólogos potencialmente con sesgo es un reto crítico que debe superar para evitar la discriminación basada en factores como el género, la raza, la discapacidad y la religión.

Las cuestiones de gobernanza de la privacidad de datos son vitales en la industria bancaria. Los modelos de IA requieren acceso a cantidades masivas de datos, que deben obtenerse y procesarse de manera ética. Además, la implementación de la IA también debe tenerse muy en cuenta para evitar infringir las leyes de privacidad de datos existentes. De hecho, a medida que esta nueva tecnología evoluciona, es posible que los legisladores y reguladores deban evaluar y actualizar nuestro entorno normativo actual para garantizar la privacidad segura de los clientes.