Treo Blog

En este espacio puedes explorar las últimas tendencias y noticias en tecnología, seguridad informática e infraestructura TI.

  • Jonathan Rodriguez Paipa

La automatización y la inteligencia artificial pueden ayudar a combatir los delitos financieros

Por Eric Marts



Crédito: Pexels

Desde cualquier punto de vista, 2020 fue un año de cambios. Combinando el cambio en el trabajo desde casa con un modelo de comercio totalmente digital, las empresas necesitaban adaptarse rápidamente a una nueva realidad como medio de supervivencia. Cada vez es más claro que muchos de los cambios podrían convertirse en una parte permanente de nuestras vidas. Este cambio combinatorio también ha sido un momento en el que el delito cibernético se ha acelerado, con la creciente sofisticación de los oportunistas que han llevado a muchos en la industria de pagos a invertir en nuevas tecnologías para detectar mejor y, en última instancia, prevenir los delitos financieros en este nuevo entorno.







Demasiado bueno puede ser malo


En retrospectiva, la industria de pagos estaba en camino de procesar hasta un billón de transacciones de pago a nivel mundial para fines de 2020. Con una resistencia notable, ha continuado prosperando incluso frente a una crisis económica y de salud pública mundial, con el movimiento para los pagos no basados ​​en efectivo se aceleran y no hay indicios de subvenciones en el futuro previsible.


El gran volumen de transacciones que fluyen a través de la infraestructura global presenta un objetivo tentador para los delincuentes que intentan explotar y evadir los controles en el lugar. Los enfoques de vigilancia existentes se tensaron antes de la pandemia y continúan enfrentando desafíos a medida que los delincuentes maniobran sin descanso para encontrar nuevas formas de evitar la detección.


Con la amenaza de riesgo tanto de reputación como de sanción, ¿cómo pueden las organizaciones fortalecer las defensas contra estas actividades nefastas de una manera económicamente sostenible?


Los límites de la automatización bancaria tradicional


Las técnicas de automatización de pagos existentes se centraron en el enrutamiento inteligente y una mejor presentación para que los investigadores de fraude las revisen, con el objetivo de hacer que el proceso sea más eficiente y transparente cuando se encuentran instrucciones de pago sospechosas. Al hacer que la información relevante estuviera disponible fácilmente, permitió que las decisiones se tomaran más rápidamente, y los volúmenes crecientes no requirieron un aumento en el número de personas que realizaban la revisión.


Estas optimizaciones, aunque eficientes en escenarios anteriores, se han acercado cada vez más a sus límites sostenibles, con volúmenes que superan la capacidad de cola de trabajo manejable de los investigadores y su capacidad para respaldar un proceso de toma de decisiones completo y procesable. Sin duda, aumentar el número de investigadores podría proporcionar una solución a corto plazo, pero no es una solución práctica ni escalable.


En pocas palabras: los investigadores necesitan mejores herramientas que aprovechen los elementos tecnológicos, ya que los ciberdelincuentes aumentan el número de intentos y la sofisticación para ocultar sus delitos.


Añadiendo el "copiloto" de IA para la automatización de pagos


La aplicación de inteligencia artificial (IA) en el proceso de selección de transacciones es una adición útil para combatir las anomalías transaccionales. A medida que los delincuentes se vuelven más hábiles para ocultar su actividad, el banco requiere la capacidad de detectar transacciones aparentemente no relacionadas más allá de las cuales podrían ser posibles solo mediante el examen y la interpretación humanos. Estos escenarios emergentes se adaptan perfectamente a las herramientas que pueden aprender y adaptarse a patrones de ocultación difíciles de detectar.


Sin embargo, no sería prudente que los investigadores confiaran únicamente en una puntuación de transacción, porque para maximizar la efectividad inmediata y a largo plazo de la implementación de la IA, se necesita visibilidad de cómo los elementos de la IA llegaron a su conclusión final.


Con la capacidad de ver cómo se aplicó la inteligencia a la transacción, el investigador puede ser más preciso en su determinación de actividad fraudulenta. Además, los comentarios del investigador pueden potencialmente usarse para entrenar y ajustar los esfuerzos de detección de IA en el futuro, aumentando su efectividad y eficiencia y mitigando la escasez de recursos de personal.


Usar mejores datos de pago para mejorar la detección con IA


Uno de los desafíos para descubrir delitos transaccionales es la disponibilidad de información actualizada, sólida y precisa. Con una parte de los procesos que no ocurren en tiempo real, ya sea a través del gran volumen de transacciones o debido a la dependencia del procesamiento por lotes, la oportunidad de utilizar estos retrasos inherentes (y la presencia de datos obsoletos) puede aprovecharse como una ventaja criminal.


Además, para proporcionar la máxima eficacia, es necesario capturar múltiples atributos de los datos transaccionales para poder presentar un conjunto más completo de puntos de datos para que la IA analice y resalte las discrepancias en instancias fuera de norma. Sin ellos, la IA estará limitada en su determinación y capacidad para presentar conocimientos. Estas existencias condicionales (retraso de datos y captura reducida de atributos de datos) pueden eludir incluso las herramientas de inteligencia artificial más sofisticadas.