Como explica Kai-Fu Lee en su reciente libro, AI Superpowers: China, Silicon Valley and the New World Order, la inteligencia artificial (IA) y el aprendizaje automático han pasado de la era del descubrimiento a la etapa de aplicación e implementación.
Los científicos de datos han dado grandes saltos en la última década para llegar hasta aquí. Se han escrito los algoritmos complejos, se conocen las claves para manipular conjuntos de datos masivos, y la tecnología es lo suficientemente universal como para aplicarse a distintos problemas.
Uno de estos problemas es el coste de la lucha contra los delitos financieros. Solo en Estados Unidos, el coste del cumplimiento de la normativa contra el blanqueo de capitales («AML», por sus siglas en inglés) se estima en 23.500 millones de dólares al año. Los bancos europeos se acercan con 20.000 millones de dólares gastados anualmente.
Aún más sorprendente es que, pese a este elevado nivel de gasto, no parece estar funcionando. En la última década, el 90 % de los bancos europeos han sido multados por infracciones relacionadas con el AML; a nivel mundial, los bancos han sido multados por aproximadamente 26.000 millones de dólares en los últimos 10 años.
Ahora corresponde a las instituciones financieras dar el salto y utilizar la IA y el aprendizaje automático para detectar a traficantes de personas, el tráfico de estupefacientes y de armas, los pagos terroristas y el blanqueo de capitales que alimenta estas actividades.
De hecho, los reguladores animan ahora a las instituciones financieras a experimentar y a utilizar el poder de la IA y el aprendizaje automático para detectar actividades sospechosas. Para implementar con éxito estas soluciones de IA, los expertos en la materia deben formar parte integral del proceso para traducir el problema, identificar los retos para resolverlo y encontrar la mejor solución para abordar las cuestiones en este ámbito.
La oportunidad de aplicar la IA para ayudar a detectar los delitos financieros ya está aquí
Los científicos llevan mucho tiempo buscando dotar a las máquinas de una inteligencia similar a la humana. Los avances logrados en la última década se están aplicando a problemas reales en el mundo empresarial y tienen el potencial de transformar, con el tiempo, las industrias y la economía mundial.
Uno de los casos de uso más convincentes de la IA es la lucha contra los delitos financieros. La IA ofrece dos beneficios principales para los bancos que participan en esta lucha: puede aumentar la eficacia y la eficiencia de las investigaciones sobre delitos financieros, y la gestión de riesgos de la institución.
Además de ayudar a las instituciones financieras a evitar riesgos al cumplir de forma más eficaz con la normativa, tiene el potencial de reducir drásticamente los costes del desafío, principalmente al reducir los falsos positivos en los sistemas de supervisión y al redirigir los esfuerzos de los expertos humanos hacia otras áreas de actividad sospechosa más productivas.
Los líderes del sector bancario han sido cautelosos a la hora de probar nuevas soluciones de IA. Hasta hace poco, los servicios financieros no han aprovechado plenamente las soluciones de IA, lo cual es comprensible, debido a las preocupaciones relacionadas con los denominados modelos de «caja negra», es decir, modelos que realizan funciones que no son transparentes para el usuario final. Si el banco no entiende cómo su tecnología supervisa los delitos financieros, no puede explicar a sus reguladores cómo cumple la normativa.
No obstante, ahora estamos en la era de la implementación, en la que los expertos en la materia trabajan directamente con los científicos de datos para adaptar las tecnologías de aprendizaje automático y garantizar que las soluciones sean eficaces, eficientes y justificables.
La necesidad de integrar la IA es evidente por el reciente y radical cambio en el entorno regulador. El 3 de diciembre de 2018, cinco agencias federales de Estados Unidos, entre ellas la Red de Control de Delitos Financieros, emitieron una declaración conjunta en la que alentaban a los bancos a implementar enfoques innovadores, incluida la IA. Afirmaron: «Las Agencias acogen con satisfacción este tipo de enfoques innovadores para seguir avanzando en los esfuerzos por proteger el sistema financiero contra la actividad financiera ilícita.»
Los reguladores de todo el mundo también fomentan el uso de la IA. De hecho, la Autoridad Monetaria de Singapur publicó un conjunto de principios en noviembre de 2018 para promover la equidad, la ética, la rendición de cuentas y la transparencia en el uso de las tecnologías de IA en el sector financiero.
La IA: lo básico
Existen dos tipos de IA y aprendizaje automático: supervisado y no supervisado. Cada uno tiene sus propias fortalezas particulares. Con el aprendizaje supervisado, se entrena un modelo utilizando datos ya categorizados para identificar transacciones potencialmente sospechosas.
Con el aprendizaje no supervisado, los científicos informáticos exponen el sistema a datos brutos sin categorizar. Mediante la interacción con los datos, el sistema informático identifica patrones que podrían indicar blanqueo de capitales y también sugiere nuevas formas de organizar y analizar los datos.
Máquinas y personas: una verdadera colaboración
Es importante darse cuenta de que los modelos que utilizan IA, por muy inteligentes que sean, no pueden esperarse que funcionen sin supervisión y pruebas humanas. Incluso en el caso del aprendizaje no supervisado, las personas con conocimientos especializados en la materia deben diseñar y optimizar los modelos.
La importancia de esto se demuestra con el uso del aprendizaje supervisado en el cribado de sanciones. Cada transacción bancaria debe cribarse para comprobar si las entidades implicadas figuran en una lista de delincuentes o terroristas conocidos. Incluso los mejores sistemas de cribado producen una alta tasa de falsos positivos que un revisor humano debe resolver, bien descartando la alerta, bien escalándola para una revisión posterior.
Mediante el aprendizaje supervisado, las personas pueden entrenar al modelo para gestionar nuevas alertas utilizando alertas de sanciones previamente resueltas. A continuación, los expertos en la materia prueban el modelo con nuevas alertas para ver cómo funciona. Sobre la base de estos resultados, las personas optimizan el modelo para que, con el tiempo, pueda realizar el primer nivel de revisión más rápido y con mayor precisión que sus homólogos humanos. Los expertos en la materia participan en cada paso, lo que les permite explicar y justificar la tecnología ante los reguladores.
Las personas siguen siendo una parte integral del proceso una vez que un modelo se pone en funcionamiento. La IA puede desempeñar la función de revisor de nivel 1. El segundo revisor humano de nivel 1 comprueba las decisiones del modelo. Una vez que el modelo demuestra que gestiona las alertas con precisión, revisará todas las alertas de nivel 1, y solo se probará una muestra por parte de una persona. Esto logra la máxima eficacia (en cuanto a la precisión en la resolución de alertas) y eficiencia (los bancos pueden desplegar a sus expertos humanos en sanciones en otras áreas más complejas).
Lo consideramos una verdadera colaboración. Las máquinas y las personas deben colaborar para lograr cosas que ninguna de ellas podría hacer igual de bien por sí sola.
Los sistemas de IA ya son capaces de realizar análisis de vínculos, extrayendo inferencias al identificar las entidades que participan en transacciones sospechosas. Los sistemas de IA también recopilan y analizan datos de fuentes públicas, incluidas las redes sociales, para ayudar a establecer calificaciones de riesgo de determinados clientes.
Los sistemas de IA también pueden detectar nuevas actividades de terroristas y delincuentes. De hecho, los delincuentes desarrollan constantemente nuevos métodos para ocultar su actividad. La IA puede utilizarse para identificar nuevos comportamientos que alertarían a la institución financiera para investigar.
Segmentación inteligente
Además del aprendizaje supervisado, el aprendizaje no supervisado resultará especialmente útil para ayudar a los bancos a distinguir entre el comportamiento bancario habitual y las actividades potencialmente sospechosas.
Una de las técnicas de IA más prometedoras para ello se denomina segmentación inteligente. Navigant completó recientemente un proyecto utilizando el software de segmentación inteligente de Ayasdi para un banco global.
Los reguladores habían ordenado al banco revisar unos 20 millones de transacciones que se remontaban a varios años atrás. Debido a que el número de transacciones era tan elevado, el regulador dio al banco la opción de revisarlas utilizando métodos innovadores.
Con los sistemas de supervisión tradicionales, los bancos suelen segmentar a sus clientes por sector, tipo de negocio, tamaño, así como por otros factores. Aplican normas que históricamente han funcionado para las empresas de esos segmentos. El problema de este enfoque es que estos segmentos no representan de forma coherente grupos de entidades con un comportamiento transaccional uniforme.
En este proyecto, el sistema de IA gestionó las transacciones sin tener en cuenta las categorías tradicionales. En su lugar, analizó las transacciones, observó patrones y creó segmentos nuevos y más relevantes, situando a los clientes en ellos en función de su comportamiento. Un segmento, por ejemplo, podría incluir entidades que realizan grandes transferencias de crédito, tienen contrapartes de alta frecuencia y un gran número de ordenantes únicos.
Si un cliente ejecutaba transacciones que estaban fuera de los parámetros normales de su segmento, estaría sujeto a un análisis adicional, incluidas, potencialmente, investigaciones por parte de personas.
Los resultados del proyecto satisficieron al banco y a su regulador. El número de alertas disminuyó significativamente, y la productividad de las alertas restantes aumentó de forma notable en comparación con la productividad obtenida mediante el análisis tradicional.
Experimentar e innovar
A las empresas de servicios financieros se les ha dado permiso para experimentar, y les recomendamos que lo hagan. Las tecnologías de IA, incluido el aprendizaje automático, están lo suficientemente maduras como para aplicarse hoy a algunas de las necesidades más apremiantes de la banca.
Los bancos no tienen que desmantelar y reemplazar los sistemas de supervisión informáticos existentes, ya que las nuevas tecnologías complementan y mejoran sus sistemas heredados. Al mismo tiempo, los bancos no tienen que asumir la molestia y el gasto de formar grandes equipos de informáticos especializados en IA. Hoy en día están disponibles potentes tecnologías de aprendizaje automático. Instamos a los bancos a recurrir a expertos en la materia para identificar un punto problemático, aplicar la tecnología de IA, cosechar los beneficios y luego pasar al siguiente problema.
Ser demasiado cauteloso tiene un inconveniente. Hoy en día, los reguladores han dado a las instituciones financieras el permiso y el estímulo para experimentar, siempre que se haga de manera responsable. En un futuro no muy lejano, las tecnologías de IA se considerarán las mejores prácticas.
