Inteligencia artificial, una aliada para prevenir el lavado de activos

Por Juan Pablo Calle, el 24 de noviembre, 2017

h-inteligencia-artificial-un-aliado-para-prevenir-el-lavado-de-activos

La inteligencia artificial, en especial el machine learning, cada vez toma más fuerza como una herramienta para reducir falsos positivos en el control del lavado de activos.   

Una de las medidas para prevenir el lavado de activos es la incorporación de nuevas tecnologías. Esto se debe a que las entidades financieras están tomándose más en serio sus esfuerzos antilavado de activos y antifinanciación del terrorismo. De hecho, más del 50% de los que respondieron la encuesta RISK (dirigida a profesionales de las áreas de cumplimiento y riesgos financieros) indicaron que sus presupuestos para gestionar el riesgo aumentarían en los próximos años.

Sin embargo, los esfuerzos tradicionales tienen muchas limitaciones al enfrentarse a los retos cada vez más grandes que presenta la coyuntura actual.

En primer lugar, están los falsos positivos, uno de los más conocidos dolores de cabeza de las áreas de cumplimiento. Estos ocurren cuando el registro de un cliente se asocia con un registro de riesgo, sanción o sospecha, sin llegar a ser una amenaza verdadera. Estas falsas alarmas suelen costarles mucho tiempo y esfuerzo a las instituciones.

Algunos estimados de la industria indican que entre el 90% y el 95% de las alertas generadas por los sistemas de monitoreo de transacciones son falsos positivos, lo cual plantea un desafío enorme para los gestores de riesgo.

Con el volumen de información actual y las exigencias de los entes reguladores, parece casi humanamente imposible investigar todos los casos a tiempo, pero aquí es cuando la inteligencia artificial llega para auxiliarnos como una de las medidas para prevenir el lavado de activos.

¿Cómo funciona la inteligencia artificial para prevenir el lavado de activos?

La prevención del lavado de activos y de la financiación del terrorismo ahora se simplifica gracias al avance del análisis de datos, de los modelos predictivos y de la inteligencia artificial.

A través de estas herramientas, las instituciones financieras pueden analizar una cantidad enorme de información, ya sea que provenga de la base de datos del KYC o conozca a su cliente, de la internet, de la deep web o de cualquier otra fuente.

Haga clic aquí para conocer cómo prevenir el lavado de activos conociendo a su cliente

Tal como los humanos, la inteligencia artificial necesita aprender para tomar decisiones. Esto se puede hacer de dos formas: por medio de aprendizaje supervisado o no supervisado. En el primero se especifican los datos, el objetivo y los resultados esperados.

Con el aprendizaje supervisado es posible hacer retroalimentaciones para refinar las tareas. Si se identifica un falso positivo, con el aprendizaje supervisado se podría usar esa retroalimentación para realizar una evaluación futura.

Por otro lado, el aprendizaje no supervisado es aquel que proporciona solo el objetivo y los datos, pero no el resultado esperado. Así, es posible identificar información que para el gestor es desconocida. A medida que el software va recopilando datos, el algoritmo se mejora por sí solo y se vuelve más eficaz en la realización de la tarea.

Estos métodos de machine learning no supervisado permiten detectar patrones ocultos en un amplio grupo de datos, como transacciones y cuentas fraudulentas. También descartan falsos positivos al identificar las causas de una actividad determinada o establecer conexiones y patrones que son muy difíciles de encontrar para un humano o incluso para un sistema de monitoreo convencional.

En ese sentido, la inteligencia artificial podría ayudar al área de cumplimiento en cuatro ámbitos:

  • Identificación de fraude.
  • Monitoreo de transacciones.
  • Know your customer.
  • Sistemas anticorrupción.

De hecho, el machine learning ya ha sido implementado con relativo éxito desde hace más de una década para la detección de fraudes con tarjetas de crédito. Por ejemplo, Paypal ya ha desarrollado inteligencia artificial para monitorear el comportamiento de sus usuarios. Esto le ha permitido reducir a la mitad las falsas alarmas de fraude.

Otro caso de éxito es el de JP Morgan Chase, cuyo software COIN (Contract Intelligence) consigue revisar en pocos segundos una cantidad de documentos que les tomaría 360 000 horas a un grupo de abogados.

Sin embargo, el gran obstáculo que impide la adopción de machine learning en el área de cumplimiento LA/FT es la transparencia que se exige respecto al proceso de monitoreo.

Hoy en día, el machine learning es en muchos casos una “caja negra”, pues no es posible conocer completamente lo que sucede en una parte del proceso. Dentro de la normativa de prevención de LA/FT, las entidades reguladoras necesitan entender todo lo que se hace para monitorear actividades sospechosas, por lo que la condición actual de “caja negra” del machine learning complica su uso para este caso.

Aún así, la inteligencia artificial parece que a futuro será muy efectiva como una de las medidas para prevenir el lavado de activos. Los beneficios potenciales son claros a la hora de manejar numerosas variables y registros a la vez, por lo que seguramente oiremos más seguido de la implementación de esta tecnología.

Descargue aquí una guía para combatir ataques cibernéticos

Temas:Prevencion de fraudeGobierno, Riesgo y Cumplimiento (GRC)

Comentarios