Cómo elegir una plataforma de Machine Larning para detectar y prevenir delitos financieros
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
Cómo elegir una plataforma de Machine Larning para detectar y prevenir delitos financieros
Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
Contenido
9 preguntas que las instituciones financieras
deben hacer a un proveedor de Inteligencia Artificial 04
Implementación: Nube frente a local 18
Inteligencia Artificial responsable: asegúrese
de que su plataforma tome decisiones justas 19
El factor FRAML (prevención de fraude
y blanqueo de capitales) 22
Una guía para la implementación perfecta
del Inteligencia Artificial 23
2
Introducción
Los bancos y las instituciones financieras (IF) se enfrentan constantemente a un momento
difícil de equilibrar. Por un lado, la principal prioridad de su institución financiera es brindar
una experiencia de cliente de primer nivel y, al mismo tiempo, no puede permitir que los
defraudadores cometan fraude. Encuentre clientes legítimos y use su plataforma para evitar
que los delitos financieros denuncien delitos y exponga a su institución a pérdidas financieras,
supervisión regulatoria y daños a la reputación.
En este punto, se da cuenta de que el Machine Learning es clave para brindar experiencias fluidas
al cliente y prevenir delitos financieros, incluidos el fraude y las actividades de lavado de dinero.
Entonces, ¿a dónde vas desde aquí? Especialmente cuando hay tantas soluciones de Machine
Learning para elegir.
Elegir la solución de Machine Learning adecuada para su institución financiera puede resultar
abrumador. Pero la buena noticia es que no tiene que hacer esto solo. Esta guía está diseñada
para facilitarle el proceso de selección de Machine Learning al describir las preguntas que debe
hacerle a un proveedor, las señales de advertencia que debe vigilar, cómo garantizar que el
sistema tome decisiones justas y éticas, y mucho más.
Siga leyendo para aprender cómo hacer que su selección de Machine Learning esté lo más
informada posible.
3
Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
9 preguntas que las instituciones
financieras deben hacer a un proveedor
de inteligencia artificial
Darse cuenta de que necesita invertir en soluciones de Machine Learning es solo el primer paso
de su viaje de Machine Learning. También es el más fácil. Descubrir cómo elegir la solución y el
proveedor de Machine Learning adecuados para sus objetivos comerciales específicos es mucho
más desafiante.
Si no está preparado, correrá el riesgo de verse abrumado por los enfoques de ventas de bingo
de palabras de moda y descubrirá que su sistema no satisface sus necesidades. Aquí hay cinco
preguntas que debe hacerle a un proveedor de Machine Learning para evitar cometer un error
costoso.
4
Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
1 ¿La plataforma está preparada para el futuro?
El espacio de la Inteligencia Artificial se mueve rápido y evoluciona rápidamente.
Desafortunadamente, esto significa que algunas tecnologías que se utilizan actualmente en la
actualidad se volverán obsoletas en el futuro. Lo último que desea es invertir dinero y recursos en
un sistema que deberá reemplazarse en tres a cinco años.
Es imposible predecir qué tecnologías permanecerán en uso y cuáles se eliminarán gradualmente.
En cambio, es mejor que se concentre en la flexibilidad de su inversión en Machine Learning.
Pregunte qué tan bien responde a nuevos escenarios. Por ejemplo, tal vez desee introducir un
nuevo canal bancario, como una aplicación móvil actualizada o un asistente virtual, o aceptar una
nueva categoría de clientes con necesidades bancarias únicas. Pregunte qué tan bien responde la
plataforma a demandas como esta.
Tenga en cuenta que sus prioridades cambiarán inevitablemente. Cuando eso suceda, necesitará
un sistema sólido que pueda girar fácilmente. Como vimos durante la pandemia, sus clientes
también podrían cambiar rápidamente sus hábitos cambiando a los canales bancarios digitales
en masa. Una encuesta de 2020 encontró que el 46% de los clientes bancarios usaban canales en
línea y móviles con más frecuencia, mientras que su uso de métodos bancarios físicos disminuyó
durante la pandemia. Si la solución no se puede ajustar fácilmente para cumplir con las nuevas
condiciones, podría convertirse en un obstáculo para su negocio.
Asegúrese de que el sistema sea lo suficientemente flexible para aceptar nuevas funciones e
integraciones. Evalúa qué tan robusta es la solución preguntando si se puede ajustar para asumir
volúmenes de datos más pesados de lo que había planeado inicialmente, cómo evita escenarios
de sobreajuste (en los que tiene dificultades para manejar nuevos conjuntos de datos) y si se basa
en comportamientos individuales de cohortes generalizadas.
Bandera Roja
Viene con límites incorporados
Como resolver
Cuantos más éxitos logre su organización con el Machine Learning, más casos de uso querrá
agregar. Por eso es importante preguntarle al proveedor por adelantado sobre la gama de
servicios disponibles en la solución y la duración de su contrato. Si encuentra límites
en la cantidad de casos de uso que puede agregar y transacciones que puede procesar,
es posible que sus planes de expansión se detengan hasta que pueda actualizar su servicio
o su contrato expire.
5
Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
2 ¿Cuánto control tienes?
Cuando esté listo para presentar un nuevo modelo o una nueva regla, lo último que desea es
pedirle permiso al proveedor. Los modelos ágiles permiten que sus equipos se adapten a las
nuevas tendencias de fraude y delitos financieros al introducir
fácilmente nuevos modelos cuando esté listo.
Pregunte si la plataforma admite modelos
múltiples y personalizados.
¿Puede admitir varios modelos?
Es esencial tener varios modelos porque los defraudadores se comportan de manera diferente
según dónde se encuentren y qué estén haciendo. Un modelo global, por ejemplo, no reflejará
los matices de los patrones de fraude exclusivos de una región específica. Las plataformas que
solo pueden ejecutar un modelo usarán una vista generalizada para buscar comportamientos
especializados, lo que da como resultado tasas de detección de fraude más bajas y más
falsos positivos.
¿Puede la plataforma seguir el ritmo del fraude a medida que evoluciona y ser proactiva en lugar
de reactiva? Una plataforma con múltiples modelos también debe calificar las transacciones
a escala sin comprometer el tiempo de respuesta al tomar todos los diferentes flujos de entrada
y traducirlos en una sola historia o perfil de riesgo que un revisor humano pueda evaluar
más a fondo.
6Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
¿Puede admitir modelos personalizados?
En la prisa por comprar una plataforma de Machine Learning, una organización corre el riesgo de
comprar un modelo de “talla única”, con soluciones puntuales para casos de uso único. Pero cada
negocio es diferente y cada modelo también debería ser diferente.
Considere una plataforma con una arquitectura flexible y ágil desarrollada por científicos de datos
con experiencia en el dominio en industrias específicas. Los modelos personalizados creados con
experiencia en el dominio de la ciencia del fraude, específicamente para servicios financieros,
producen más poder y más conocimiento al considerar los patrones de fraude únicos que
enfrentan la banca y los pagos.
Considere una plataforma con
una arquitectura flexible y ágil
desarrollada por científicos
de datos con experiencia en el
dominio en industrias específicas.
Bandera Roja
El proveedor controla los datos
Como resolver
Tus datos son tu activo más valioso. Si el proveedor no puede garantizarle que tendrá acceso
a sus datos cuando use su sistema, esa es otra señal de alerta. Esto hará que sea difícil
comprender cómo el sistema del proveedor utiliza sus datos. Hay una excepción a esta regla.
Algunos proveedores le permitirán acceder a sus datos solo si acepta tomar posesión del
sistema y asumir la responsabilidad de cualquier problema que encuentre. Idealmente,
querrá trabajar con un proveedor que le permita acceder a sus datos sin hacerle responsable
del sistema.
7Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
3 ¿Entiende cómo llegó el sistema
a su puntuación de riesgo?
Los sistemas de Machine Learning que toman decisiones dentro de cajas negras carecen de
transparencia en torno a sus decisiones, lo que crea dos problemas graves.
Primero, hay un problema de control, porque los humanos no pueden administrar y mejorar un
sistema que no comprenden. En segundo lugar, existe un problema de regulación, porque una
organización no puede auditar o validar las decisiones que suceden dentro de una caja negra y
brindar una explicación razonable a sus equipos reguladores o de gobierno.
Compare eso con una plataforma que realiza procesamiento de caja blanca para proporcionar
razones claras y comprensibles para los humanos de sus decisiones. Ciertas plataformas de
Machine Learning predicen patrones mediante un algoritmo llamado Random Forest, que está
formado por decenas de miles de árboles de decisión. Un sistema de caja blanca toma los pocos
factores principales de los árboles de decisión, luego los pesa y los comunica al ser humano de una
manera simple.
8Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
Algoritmo Pros Contras
Random • Generaliza bien los patrones; • Puede volverse complejo
Forest • Robusto para diferentes tipos de entrada para interpretar el número de
aka Ensemble (textos, números de escalas, etc.); decisiones crece (naturaleza
of Decision Trees • Robusto a los datos faltantes; inherente de una mayor capacidad
• Robusto a valores atípicos y errores; para tomar decisiones);
• Rápido de entrenar y puntuar; • Requiere datos etiquetados;
• Trivialmente paralelo; • Por lo general, requiere una
• Requiere menos afinación; cuidadosa ingeniería de funciones.
• Salida probabilística;
• Puede ajustar el umbral para compensar
entre precisión y recuperación;
• Muy buen poder predictivo;
• Encontrado para ganar muchas
competiciones de Machine Learning.
Neural • Capaz de representar patrones • No se pueden manejar
Network complejos; diferentes tipos de entrada sin
early generation • Buen poder predictivo. preprocesamiento;
from the 1980s • Necesita escalar los insumos;
• No puedo manejar los valores
perdidos;
• Tarda mucho en entrenar;
• Requiere afinación;
• Falta de interpretabilidad.
Deep • Capaz de detectar patrones complejos en • Difícil de ajustar la arquitectura
Learning grandes cantidades de datos; y los hiper parámetros;
• Ofrece múltiples arquitecturas para • Tarda mucho en entrenar;
diferentes casos de uso; • Puede verse como un modelo de
• Se necesita poca o ninguna ingeniería caja negra, no se proporcionan
de funciones; explicaciones dependiendo del
• Resultados de vanguardia en una amplia proceso de gobernanza;
variedad de tareas de Machine Learning. • Requiere hardware especializado
(por ejemplo, GPU).
9Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
La anatomía de una caja blanca: respuestas claras
A continuación, se muestran algunos ejemplos de cómo un sistema de caja blanca fácil
de entender explica sus hallazgos para permitir o bloquear transacciones.
Razones para Permitir
Factor de
Descripción Riesgo
riesgo
La dirección IP solo la usa este cliente. 0.50% 0.9 x
El país de IP coincide con el país del cajero
automático.
0.50% 0.9 x
El país de la IP coincide con el país de origen
del cliente y el del cajero automático.
0.40% 0.7 x
El país de IP coincide con el hogar
del cliente, el cajero automático y los países 0.30% 0.5 x
de facturación.
10Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
Rasones para bloquear
Factor de
Descripción Riesgo
Riesgo
El cliente se encuentra en ubicaciones
distantes en un corto período de tiempo.
60.0% 100.00 x
El cliente está detrás de un proxy. 6.0% 10 x
El cliente ha utilizado dos direcciones
IP diferentes.
0.90% 1.5 x
El cliente utiliza una dirección de correo
electrónico gratuita o desechable.
0.70% 1.1 x
La idea es poner a los humanos en control al comunicar claramente
por qué se aprobaron o bloquear ciertas transacciones y armar a los
analistas de fraude con la información que necesitan para revisar la
actividad de las cuentas de los clientes de manera más inteligente.
Bandera Roja
Sistemas de caja negra
Como resolver
Para poder confiar en los resultados del sistema de Machine Learning, deberá comprender
cómo llegó el sistema a su puntuación. Una solución de caja negra no le permitirá revisar
cómo se alcanzó el puntaje, ver qué datos se usaron o cómo se probaron. Elija esta opción
únicamente si está dispuesto a confiar plenamente en la puntuación del sistema sin acceder
a una explicación, y las auditorías de gobierno de su modelo aceptarán este resultado.
11Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
4 ¿El sistema permite datos omnicanal?
Si el sistema puede transmitir
rápidamente los comentarios de los
modelos de Machine Learning al proceso
de creación de modelos, podrá realizar
ajustes y mejorar el modelo mucho más
rápido. Al acceder a los datos a través de
estos diferentes puntos de contacto con el
cliente, incluidas las aplicaciones móviles,
los sitios web, los cajeros automáticos,
los chatbots y más, obtendrá una vista
de 360 grados
de los comportamientos
de sus clientes y podrá responder
en consecuencia. Un buen modelo
también puede extraer fácilmente
datos de fuentes externas
e internas.
Bandera Roja
Las fuentes de datos son limitadas
Como resolver
Pregunte cómo el modelo extrae datos de diferentes fuentes, cómo el sistema del proveedor
accede a los datos de sus canales existentes y qué pasos se requieren para acceder a
fuentes externas relevantes, como una base de datos de una agencia gubernamental. Si la
solución tiene dificultades para compartir datos internamente, es probable que también tenga
dificultades para acceder a datos externos. Si un modelo no puede acceder fácilmente a los
datos de varias fuentes, podría paralizar sus esfuerzos para agregar nuevas funciones
o lanzar ciertos productos.
12Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
5 ¿Es escalable?
A medida que escala su negocio, su sistema de Machine Learning deberá mantenerse al día
con sus nuevas demandas. Por ejemplo, suponga que su organización procesa el doble de
transacciones que cuando implementó por primera vez su modelo de Machine Learning. En ese
caso, el modelo debería poder manejar su nueva carga de trabajo con algunos ajustes. El sistema
debe demostrar su capacidad de recuperación y permitirle escalar horizontalmente para cada
nuevo caso de uso empresarial que implemente.
El sistema debe demostrar
su capacidad de recuperación y
permitirle escalar horizontalmente
para cada nuevo caso de uso
empresarial que implemente.
Incluso si el modelo falla, debería fallar con gracia. En otras palabras, si un aumento de volumen
hace que el modelo se bloquee, debería poder recuperar los modelos y los datos que estaba
utilizando fácilmente. La solución debería permitirle reconstruir los modelos que estaba usando
antes del bloqueo sin comprometer los datos históricos utilizados para construirlos.
Bandera Roja
“¡Es el único sistema que necesitará!”
Como resolver
Cuando se trata de Inteligencia Artificial, los proveedores sólo pueden compartir sus
conocimientos sobre cómo funciona la tecnología disponible en ese momento. Si los
presiona sobre cómo responde a los nuevos desarrollos, deben presentar una lista de
opciones para ajustarlo. Confíe en los proveedores que han pensado en el futuro
e investigan casos de uso emergentes.
13Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
6 ¿Se incluye
la experiencia
en el precio?
Comprar un sistema de Machine Learning
no es una transacción única. Es una
inversión complicada y necesitará algo
más que la tecnología para asegurarse
de que cumpla con sus expectativas
y lo ayude a alcanzar sus objetivos
comerciales. También necesitará acceso
a expertos confiables en Machine
Learning y ciencia de datos para ayudarlo
a aprovechar al máximo su inversión,
especialmente si la ciencia de datos y el
Machine Learning son conceptos nuevos
para su organización.
Bandera Roja
Es una venta, no una asociación
Como resolver
Idealmente, su acuerdo con cualquier proveedor de Machine Learning debería ser una
asociación más que una compra. Pregúntele al proveedor si solo tendrá acceso a su
tecnología o si su acuerdo incluye acceso a experiencia cuando necesite una consulta.
Tener un salvavidas que le permita conectarse con el equipo de expertos del proveedor
es tan importante como acceder a la tecnología de Machine Learning. Vea con escepticismo
a los proveedores que no están dispuestos a garantizar el acceso de su organización
a su experiencia
14Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
7 ¿Qué tan específico se vuelve?
Una plataforma toma sus decisiones para crear perfiles de comportamiento normal y marcar
instancias de comportamiento anormal. Pero algunas plataformas de Machine Learning pueden
acercarse a un nivel de resolución más alto que otras.
¿La plataforma crea perfiles de cohortes holgadas? Por ejemplo, ¿mira a “mujeres de entre 30 y 35
años” o mira a “Susan”? ¿Mira “dispositivos en este código postal” o mira “dispositivo de Susan”?
Al crear perfiles de muchas entidades diferentes (la sucursal, el día de la semana, la tarjeta de
crédito), las plataformas de Machine Learning pueden alcanzar nuevos niveles de sensibilidad
y detectar el fraude con mayor poder y precisión.
Bandera Roja
La plataforma no es lo suficientemente estrecha
Como resolver
Profundice en cómo la plataforma del proveedor crea perfiles y establece una línea de base
del comportamiento “normal” del cliente. Esté atento a los detalles que utiliza la plataforma
para crear sus perfiles, incluso si va más allá de la información amplia, como los grupos de
edad y la actividad según los códigos postales locales. Cuanto más específica pueda ser una
plataforma a la hora de crear el perfil de un usuario, más fraude podrá detener. Si tiene la
sensación de que un proveedor utiliza los datos de forma demasiado amplia, es una señal de
alerta que podría llevar a su organización a perder dinero en pérdidas por fraude.
15Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
8 ¿Ofrece una gestión de casos flexible?
Las organizaciones con operaciones las 24 horas, los 7 días de la semana y equipos de Machine
Learning y fraude dispersos a nivel mundial pueden tener cientos de personas iniciando
sesión en el mismo sistema. Una herramienta de gestión de casos debe tener flujos de trabajo
autoconfigurables para que todos en esta diversa base de usuarios vean los conocimientos
prácticos adecuados en el momento adecuado.
Busque herramientas de gestión de casos que:
Distribuir automáticamente el trabajo según diferentes criterios;
Priorizar las transacciones más importantes para revisar;
Permite que los equipos de fraude, los empleados de las sucursales y los departamentos
de servicio al cliente obtengan exactamente lo que necesitan, respectivamente,
del mismo sistema;
Prioriza las colas de revisión manual y ordena de una manera que permite la continuidad
del negocio. De lo contrario, habrá lagunas en la gestión de la cola que un defraudador
puede infringir.
Bandera Roja
Los flujos de trabajo específicos no se designan fácilmente
Como resolver
Pregúntele al proveedor cómo la plataforma distribuye los trabajos en función de los
diferentes departamentos que se involucrarán con el sistema y el proceso de toma de
decisiones de la plataforma para priorizar las transacciones. Considere las perspectivas
de sus diversos equipos (analistas de fraude, servicio al cliente, etc.) y cómo funciona la
plataforma para ellos mientras realizan sus respectivos trabajos. Si el proveedor no puede
hablar sobre cómo funciona la solución para cada departamento, esa es otra señal de alerta.
16Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
9 ¿Es autoconfigurable?
En un mundo de autos a gasolina, los sistemas de Machine Learning son los nuevos autos eléctricos.
Y una plataforma auto configurable va un paso más allá. Significa que no solo está comprando el
automóvil. Estás comprando la fábrica de automóviles.
Una plataforma con paneles de control autoconfigurables le permite personalizar métricas
específicas para controlar su centro de comando y flexibilidad para elegir los KPI comerciales
relevantes.
Tal vez desee medir las tasas de abandono por departamento, país o socio.
Tal vez desee ver las tasas de abandono según los miembros del equipo,
las unidades de negocio o las líneas de productos.
Por lo general, si desea cambiar los informes
de su panel, debe volver al proveedor.
Pero con paneles e informes
autoconfigurables,
el control es suyo.
Bandera Roja
El proveedor controla la configuración del panel
Como resolver
Al igual que lo haría con un automóvil, solicite al proveedor una prueba de manejo para ver
cuánto control tiene sobre el tablero. Pregúntele al proveedor cuánto tiempo lleva ajustar
el tablero a su gusto. Debería encenderse una bandera roja si el proveedor no puede
garantizarle que podrá configurarlo según las necesidades específicas de su organización
a su conveniencia.
17Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
Implementación: Nube frente a local
Determine qué método de implementación funciona mejor para su organización. No existe
un enfoque único para todos. Es importante considerar todos los factores que afectan la forma
en que su organización utiliza su inversión en Machine Learning.
Consideraciones sobre las Consideraciones de
implementaciones alojadas en la Implementación Local
nube del proveedor
• El proveedor asume la responsabilidad • El instituto financiero asume responsabilidades
de la operación y el mantenimiento operativas y de mantenimiento, incluida la
de la plataforma; adquisición de hardware, licencias y la inclusión
del control de calidad del sistema en los marcos
existentes;
• Sin costos ocultos en el acuerdo de licencia; • La plataforma se asienta sobre la
infraestructura existente del instituto financiero;
• Las instituciones financieras tienen transparencia • Los costos operativos ocultos / imprevistos
sobre los costos operativos de la plataforma pueden contribuir al gasto a largo plazo
y cómo se puede escalar; (mantenimiento, escalabilidad);
• Sin operación ni mantenimiento de plataforma; • La solución de problemas y la corrección
continuas de problemas son menos efectivas
debido al acceso al entorno y las restricciones
de privilegios aplicadas;
• El proveedor gestiona la resolución de problemas • El acuerdo de licencia puede limitar la agenda
y la reparación; de escalabilidad del instituto financiero;
Consejo Consejo
Realice la debida diligencia para garantizar Asegúrese de que su costo total de
que el proveedor cumpla con los estándares propiedad (TCO) y / o ROI (retorno de la
de la industria para el manejo seguro de datos inversión) refleje los elementos de costo
confidenciales, incluidos PCI DSS, ISO 27001, tanto cuantitativos como cualitativos. Un
SOC2 y más. modelo de soporte adecuado es fundamental
para el éxito de su programa de gestión de
riesgos.
18Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
Inteligencia artificial responsable:
asegúrese de que su plataforma
tome decisiones justas
Con demasiada frecuencia, las instituciones financieras pasan por alto un factor crítico al
implementar una plataforma de Machine Learning en su organización: decisiones justas de
riesgo. La falta de directrices claras y de gobernanza para abordar la equidad, responsabilidad,
transparencia y ética de la Inteligencia Artificial (FATE) confunde a las instituciones financieras de
todo el mundo. Un estudio de 2018, por ejemplo, encontró que si bien los prestamistas de FinTech
cobran a los prestatarios minoritarios menos que a las instituciones financieras tradicionales,
estos grupos a menudo pagan intereses hipotecarios adicionales. Otras importantes empresas
financieras enfrentaron acusaciones de discriminación racial en sus prácticas crediticias.
Por eso es importante considerar las cuestiones éticas de la Inteligencia Artificial al comienzo
de su viaje de Machine Learning.
Todos los modelos de Machine Learning se ven afectados por el sesgo eventualmente. No importa
cuán cuidadoso sea, los seres humanos dirigen su organización, lo que significa que los prejuicios
humanos eventualmente se infiltrarán en sus modelos. En una gran institución financiera de Nivel
1 aprendió esta lección por las malas cuando un Tweet viral reveló que los límites de las tarjetas
de crédito para las clientas mujeres eran significativamente más bajos que los de los hombres. Y
ese es solo un ejemplo.
Si no se controla, los sesgos de Machine Learning pueden:
Discriminar contra ciertos grupos de clientes;
Aliena a tus clientes actuales y potenciales y contribuye al abandono;
Causar un daño significativo a la reputación pública de su institución financiera;
Deje su institución financiera vulnerable a demandas y escrutinio no deseado por parte
de los reguladores.
19Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
Establecer objetivos de equidad al principio es una forma mucho más rentable de abordar
cualquier problema ético de Inteligencia Artificial que encuentre. Puede desarrollar modelos de
Machine Learning que reflejen los valores de su organización y facilitar la tarea de garantizar que
su Inteligencia Artificial se comporte de manera ética siguiendo los siguientes pasos.
Paso 1 Paso 2
Audite sus modelos Centrarse en la
en busca de sesgos “conciencia de la equidad”
Sus modelos deberán ajustarse para La adopción de decisiones más justas no
responder a las nuevas amenazas de debe ser un compromiso para la detección
delitos financieros, que es donde los sesgos eficaz del fraude. Los proveedores que
pueden introducirse involuntariamente. priorizan las consideraciones de Justicia,
Realizar revisiones periódicas de sus modelos Rendición de Cuentas, Transparencia y
garantizará que no estén entregando decisiones Ética (FATE) desde el principio tienen más
injustas para grupos de clientes específicos. probabilidades de desarrollar modelos que no
Estas auditorías también pueden mitigar el comprometan ninguno de los objetivos. Si solo
riesgo de que sus modelos sean revisados por considera la equidad de un modelo después de
una agencia reguladora. Algunos reguladores que entre en producción, tendrá que elegir entre
ya están pidiendo informes sobre cómo los un nuevo modelo que tome decisiones injustas
modelos tomaron sus decisiones. La auditoría o detecte el fraude de manera menos efectiva, y
de sesgos se puede incluir con estos informes. podría verse obligado a explicar su selección de
modelo a los reguladores.
20Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
Paso 3 Paso 4
Accede a las explicaciones Invierta en explicaciones
del modelo de alta calida
Varias partes interesadas deberán Necesita algo más que acceder a las
comprender cómo llegan los modelos a las explicaciones del modelo. Los proveedores
decisiones. Esto incluye equipos internos como deben evaluar las explicaciones para evaluar
científicos de datos y analistas de fraude que si brindan a su organización información para
necesitan estas explicaciones para comprender tomar decisiones más informadas y efectivas.
cómo se desempeñó el modelo, hacer su trabajo Idealmente, las explicaciones deberían delinear
de manera más efectiva y cumplir con sus claramente por qué un modelo funciona
objetivos comerciales. El acceso a explicaciones con mayor eficacia que otro. Sin acceso a
claras del modelo puede ahorrarle tiempo a explicaciones de alta calidad, su institución
sus equipos y ahorrar dinero a su organización. financiera podría tener dificultades para
Un proveedor que solo ofrece una solución de explicar las decisiones a las partes interesadas,
caja negra puede socavar la eficiencia de sus los clientes y los reguladores.
equipos.
Tenga en cuenta que no existe una solución única para la equidad del modelo.
Incluso si su equipo aborda un sesgo específico y conocido, eventualmente surgirán
nuevos sesgos que requerirán una respuesta similar. Dar prioridad a la equidad del
modelo al comienzo de su viaje de Machine Learning es la forma más efectiva de evitar
cualquier problema ético que surja. De lo contrario, tendrá que redirigir tiempo y recursos
valiosos para abordar los problemas de sesgo cuando se descubran. Abordar los
problemas éticos de la Inteligencia Artificial en esta etapa puede llevar varias semanas
y provocar una pérdida de productividad para su equipo.
Hacer de la ética de la Inteligencia Artificial una prioridad
puede ahorrarle a su organización tiempo y dinero valiosos.
Asegurarse de que sus modelos se alineen con los valores de su
organización es un paso fundamental para garantizar que sus
modelos de Machine Learning sean productivos y rentables.
21Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
El factor FRAML
(prevención de fraude y
blanqueo de capitales)
Un panorama de pagos que cambia
significativamente exige un cambio de táctica
igualmente significativo. FRAML (prevención
de fraude y blanqueo de capitales) alinea las
soluciones de prevención del fraude y contra
el lavado de dinero (AML) y proporciona a
las instituciones financieras un enfoque más
ágil para la prevención del fraude, un menor
costo total de propiedad (TCO) y un mejor
cumplimiento de Machine Learning.
A continuación, se explica por qué su
institución financiera debería considerar invertir en FRAML
(Prevención de fraude y blanqueo de capitales)
Elimina los Operaciones
silos de datos de actualización
Convergencia de datos de áreas Obtenga datos de toda una organización,
tradicionalmente aisladas (como fraude de capacitando a los equipos para que tomen
transacciones) para evaluar el riesgo con decisiones más inteligentes y rápidas.
mayor precisión.
Mejorar las relaciones Mejorar el rendimiento
con los clientes de la Inteligencia Artificial
Obtenga una vista completa de las actividades Pase de la investigación del fraude después
del cliente para mejorar las experiencias del de un evento a la prevención del fraude e
cliente y eliminar fricciones innecesarias. identifique las brechas de desempeño.
22Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
Una guía para la implementación
perfecta del Machine Learning
La implementación de una plataforma de Machine Learning en su institución financiera requiere
una planificación y preparación cuidadosas. Si no está preparado para los cambios que el Machine
Learning introducirá en sus operaciones, podría comprometer la eficacia de la plataforma y
retrasar su ROI. Esto es lo que necesita para asegurarse de que su cambio al Machine Learning
sea lo más fluido posible.
Prepárate para grandes cambios
Si su institución financiera depende de un sistema bancario heredado para detectar el
fraude, implementar una plataforma de Machine Learning se sentirá como un choque
cultural al principio. Esto se debe a que los sistemas heredados dependen de reglas para
detener el fraude y, a menudo, están aislados de otras fuentes de datos.
Cuando su plataforma de Machine Learning esté en funcionamiento, no se sorprenda
si sus reglas existentes no generan los mismos resultados. Las plataformas de Machine
Learning revisan numerosos puntos de datos nuevos para ofrecer evaluaciones más
precisas sobre si una transacción conlleva un riesgo de fraude. Recuerde, la tecnología
de Machine Learning está diseñada para ayudarlo a encontrar más fraudes de los que su
sistema existente basado en reglas puede encontrar por sí solo. Si las tasas de detección
de fraude aumentan repentinamente, es una señal de que la plataforma de Machine
Learning está funcionando correctamente.
Controle sus datos
Los datos son el activo más valioso para mejorar la detección de fraudes y las
experiencias de los clientes. Cuanto más claramente etiquetados estén sus datos
históricos, más eficaz será su nueva plataforma de Machine Learning para mover los
modelos del “modo sombra”, un entorno fuera de línea donde los modelos pueden
acceder y probar los datos de transacciones en vivo, a la producción.
Es fundamental etiquetar sus datos con claridad. Considere la diferencia entre enseñarle
a un niño a andar en bicicleta en el pavimento frente a un camino de montaña sin
pavimentar. Si le enseña al niño a andar solo en pavimento liso (como en el modelo de
entrenamiento), se caerá una vez que circule por un camino de tierra (el entorno vivo
con circunstancias imprevistas). El uso de datos claramente etiquetados en el modo de
23Cómo elegir una plataforma de Machine Learning
para detectar y prevenir delitos financieros
sombra puede ayudar a que su modelo se prepare y se ajuste a nuevas circunstancias
cuando entre en funcionamiento.
Busque una asociación, no una venta
Pensar en el proveedor de Machine Learning como un socio que está igualmente involucrado
en el éxito de su negocio puede ayudar significativamente al ROI de su organización. Hable con
el proveedor sobre los problemas comerciales que le gustaría resolver, en lugar de un problema
técnico específico, para que se tomen el tiempo para comprender sus objetivos operativos y
de Machine Learning. Esto permite que el proveedor comprenda si su plataforma realmente
funciona según lo previsto.
Una buena asociación es una vía de doble sentido. Mientras su organización obtiene
tecnología que mejora sus capacidades de prevención de fraude y ofrece ROI, su
proveedor puede usar sus datos transaccionales para mejorar su tecnología y
enriquecer sus datos. Un sistema capaz de conectarse a entornos en línea y fuera de
línea permite al proveedor acceder a un circuito de retroalimentación, lo que resulta en
actualizaciones rápidas y mejoras del sistema.
Designar la propiedad de la plataforma
Los objetivos comerciales para implementar una plataforma de Machine Learning
cambiarán eventualmente a medida que cambien sus prioridades. Es importante
designar a alguien en su equipo interno que se hará cargo de su inversión en Machine
Learning en todas las etapas. Esto incluye la solicitud inicial de propuesta (RFP), las
etapas de adquisición y la implementación. Nombrar a esta persona desde el principio
ayudará a garantizar que su organización pueda adaptarse a las nuevas circunstancias
en todas las etapas del proceso. Esta persona considerará más adelante cómo se
puede usar la plataforma para nuevos objetivos comerciales.
Piense con flexibilidad
Si bien las plataformas de Machine Learning pueden mejorar significativamente la
detección de fraudes, es importante recordar que esta tecnología no es una fórmula
mágica para los servicios financieros. Su institución financiera seguirá experimentando
falsos positivos incluso después de implementar una plataforma de Machine Learning,
pero a una tasa menor que antes. La única forma de detener por completo los falsos
positivos es bloquear todas las transacciones en su sistema, lo que dañaría su negocio.
En cambio, es mejor encontrar un medio feliz en el que su tasa de falsos positivos
disminuya mientras su sistema continúa detectando más fraudes.
24La Plataforma en nube para gestionar los delitos financieros Cada año, la plataforma de Inteligencia Artificial basada en la nube de gestión de riesgos de Feedzai ahorra a los bancos e instituciones financieras billones de dólares en transacciones, protegiéndolos de delitos financieros, multas y sanciones. Feedzai es considerado el mejor de su clase por Aite y una de las empresas de Inteligencia Artificial más exitosas de Forbes. Las organizaciones más grandes del mundo utilizan los productos de prevención de delitos financieros y fraudes de Feedzai para salvaguardar billones de dólares y gestionar el riesgo mientras mejoran la experiencia del cliente. Apertura de Cuenta| Antilavado de Dinero | Fraude de Transacciones feedzai.com/esp/ info@feedzai.com sales@feedzai.com
También puede leer
