Casi todos los días surgen nuevos y complejos métodos de lavado de dinero y crimen financiero. Los criminales están continuamente en búsqueda de nuevas fórmulas para evadir la seguridad de la industria. Para superar el aumento de riesgos producto de esto, los equipos de expertos en fraude llevan un buen tiempo trabajando con soluciones con IA. Sin esas herramientas no sería posible inspeccionar todas las transacciones para identificar actividades criminales. Sin embargo, no todas las soluciones son igual de eficientes. El futuro de la prevención del fraude está en el uso de un monitoreo multicanal, combinado de manera inteligente con IA híbrida, es decir, la interrelación óptima de datos, reglas sofisticadas y usuarios competentes.

El término Inteligencia Artificial (IA) siempre ha sido una fuente de confusión y controversia y desafortunadamente no existe un discurso único que dirija la discusión. La llamada “Inteligencia Artificial General” es el tipo más predominante de IA y atrae la atención de los usuarios y (en el escenario más catastrófico) se espera que reemplace a las personas en varias funciones, especialmente en el ámbito laboral. Su finalidad es crear un robot o androide que se parezca, hable e incluso reaccione como un humano y un primer ejemplo de este enfoque son los asistentes mejorados con IA como Siri, Alexa o Cortana.

Actualmente, la mayoría de los programas de IA existentes nos ofrecen “soluciones especializadas” limitadas, es decir pueden sobreponerse al ser humano en actividades como el ajedrez, o pueden dominar tareas específicas para solucionar problemas concretos. Este tipo práctico de IA utiliza técnicas de aprendizaje de máquina y está generando valor para diferentes industrias en donde opera. Con el ChatGPT y otros modelos de lenguaje entrenado han emergido tecnologías que parecen estar superando los límites humanos, sin embargo, la prevención efectiva del fraude necesita más que solo aprendizaje de máquina, lo que en general se usa como sinónimo de IA.

Comprendiendo la IA híbrida

Entonces, ¿qué es el aprendizaje de máquina? En términos simples, el aprendizaje de máquina o “Machine Learning” (ML) está compuesto por un conjunto de herramientas que usan algoritmos para aprender de datos y adaptarse a éstos, lo que permite a las computadoras encontrar información oculta sin indicarles dónde buscar. La efectividad de los modelos de ML depende de su madurez y la calidad de la información, estos se deben entrenar intensamente antes de que se puedan usar por primera vez y logren tener una tasa razonable de aciertos. En este sentido, las instituciones financieras no cuentan con el tiempo necesario para esto en la era de los pagos instantáneos. Por ejemplo, si el equipo de prevención de fraude de un banco solo dependiera de algoritmos de ML para aprender patrones de fraude, los criminales tendrían suficiente tiempo para causar mucho daño.

Actualmente, los softwares especializados basados en Inteligencia Artificial Híbrida combinan los beneficios de la IA basada en datos (ej. ML) con IA basada en conocimiento (ej. lógica difusa o perfiles dinámicos), para identificar eficazmente el riesgo y fraude en la industria financiera. En este sentido, los modelos de aprendizaje de máquina han demostrado ser herramientas poderosas para combatir este crimen. Sin embargo, estos requieren una gran cantidad de información y expertos detrás que puedan hacer uso de todo su potencial.

Por otro lado, un enfoque híbrido permite complementar los modelos de aprendizaje de máquina con conocimiento experto, logrando resultados inmediatos y más confiables.

Soluciones de prevención de fraude basadas en IA Híbrida

Los sistemas actuales que mantienen perfiles dinámicos para diferentes entidades (ej. una cuenta bancaria) pueden detectar transacciones “posiblemente fraudulentas” en tiempo real mediante reglas avanzadas. Además, a través de reglas basadas en lógica difusa, se pueden crear reglas independientes para ayudar a prevenir el riesgo de un evento específico. Por lo tanto, al ser capaz de gestionar reglas independientes para diferentes datos dentro de la misma transacción es posible crear “huellas digitales” de los clientes, identificando patrones desconocidos. Al ser casos aislados estos patrones pueden permanecer bajo el radar de un modelo basado completamente en aprendizaje de máquina.