Las entidades financieras están invirtiendo en inteligencia artificial y machine learning para su gestión de riesgos, en especial en el manejo de ciberseguridad y prevención de lavado de activos y financiación de terrorismo – SARLAFT, como se le llama localmente en Colombia.
Y en tal sentido la Regtech Pronus Control, a través de su plataforma, aplica técnicas de esa naturaleza para detección de anomalías en el servicio de gestión integral, específicamente, en la etapa de monitoreo transaccional.
“Este tipo de software tiene el potencial de detectar anomalías transaccionales de manera más efectiva, rápida y precisa, así como ayudar a predecir comportamiento futuro”, explica Camilo Zea, CEO y fundador de Pronus.
El experto agrega que el machine learning es una disciplina de las ciencias informáticas relacionada con el desarrollo de Inteligencia Artificial, la cual hace referencia a la capacidad de una máquina o software de aprender a detectar comportamientos mediante la aplicación de algoritmos, superando la efectividad de un humano.
Si bien son claras las ventajas que ofrecen estas nuevas tecnologías para la detección de lavado de activos y financiación de terrorismo, o el fraude como posible delito fuente de lavado, existen también algunas desventajas asociadas, como es el caso de las limitaciones en la calidad y cantidad de datos necesarios para que los algoritmos corran de manera eficiente, la transparencia de los datos y la protección misma de éstos de cara a las personas, e incluso, los costos iniciales de desarrollo que no dejan de ser considerables a pesar que la evolución de los procesadores ha abaratado considerablemente las máquinas que permiten la corrida de los complejos algoritmos.
En síntesis, el machine learning se está convirtiendo en una herramienta necesaria para la prevención de fraude y riesgos ya que es más rápido, preciso y costo eficiente frente al sistema tradicional desarrollado por humanos únicamente.
Más aún, el machine learning tiene la capacidad no solo de detectar anomalías en entidades financieras, sino además, llegar a predecir y proyectar comportamiento transaccional, permitiendo aplicaciones adicionales tanto de gestión de riesgos como de estrategia comercial.
Algunos ejemplos de uso de machine learning populares en el mercado financiero internacional se observan en instituciones de renombre como HSBC, JP Morgan y Danske Bank.
El siguiente cuadro resume las principales diferencias y superioridad del machine learning frente a las técnicas humanas.
| Machine Learning | Detección de Fraude Tradicional |
| Rapidez: machine learning es como tener varios equipos de analistas trabajando a la vez, logra obtener los resultados de una manera mucho más rápida, en tiempo real. | Falsos positivos: usando reglas de fraude es posible obtener mayores falsos positivos. Por ejemplo, bloqueando compras de alto valor o de jurisdicciones de alto riesgo. |
| Escalable: entre más datos tiene disponibles, el machine learning mejora en capacidad predictiva, por lo cual, a medida que el flujo que alimenta el algoritmo va creciendo, lo vuelve más potente y eficiente. | Limites fijos: al tener unas reglas preestablecidas es difícil cambiarlas a través del tiempo a medida que el mercado va cambiando. Por ejemplo, el ticket promedio de transacción puede aumentar y las reglas típicamente no reconocen eso. |
| Eficiente y económico: el machine learning logra hacer el mismo trabajo que equipos de back-office de manera más rápida, por lo cual una entidad necesita menos personal para lograr identificar anomalías transaccionales. | Ineficiente y difícil de escalar – es ineficiente tener que actualizar las reglas de fraude y estar al día con nuevas técnicas de fraude y lavado de activos. |
| Mas preciso – muchas veces el machine learning puede encontrar patrones no intuitivos o tendencias sutiles que un analista de riesgo identificaría mucho después o quizás nunca. |