IA en ALD: el camino hacia la implementación, desde la domesticación de datos hasta los modelos de enseñanza y más

Facebooktwittergoogle_plusredditlinkedinmail

En el mundo del cumplimiento ALD, el objetivo de lograr reportes de operaciones sospechosas (ROS) más precisos y la correcta vigilancia de los pagos presenta desafíos informáticos importantes en todas las etapas del viaje de los datos.

Esto incluye desde el enriquecimiento a través de la creación de características, para el ajuste del modelo, hasta la transformación para la capacidad de tratamiento y, en última instancia, para las decisiones complejas sobre relevancia.

Pero hay esperanza de trazar la aplicación eficiente de la inteligencia artificial en el contexto del cumplimiento de los delitos financieros. Sin embargo, es importante comprender lo que la tecnología puede y no puede hacer y dónde puede funcionar ahora y en el futuro cercano.

En la actualidad, la velocidad del cambio y la mayor complejidad observada en el sector financiero han superado el desarrollo de la tecnología y también los procesos de rutina para administrar el lavado de dinero, el financiamiento del terrorismo, y las obligaciones de cumplimiento de los regímenes de sanciones.

Opacos pagos en criptomoneda, la liberalización de pagos alternativos y las complejas plataformas de comercio electrónico distribuido plantean desafíos nuevos y únicos a las instituciones financieras para identificar fondos ilícitos.

En pocas palabras, la naturaleza contundente de la tecnología heredada y los procesos implementados para administrar el riesgo de delitos financieros son incompatibles con el gran volumen, la mayor complejidad y la desagregación de la información de pagos.

Al encontrarse en un entorno operacional completamente transformado, las instituciones financieras están contando con análisis de datos, inteligencia artificial (IA), aprendizaje automático (machine learning) y robótica para satisfacer estas demandas en evolución y, lo que es más importante, para abordar los costos crecientes y los beneficios limitados que ven en el paradigma actual.

La mayoría de las instituciones financieras acaban de comenzar la transformación de los sistemas heredados a la innovación y la automatización, y se encuentran en algún lugar entre la promesa de la IA y los desafíos prácticos diarios de su adopción e implementación.

Está claro que estas nuevas tecnologías, como la IA, el aprendizaje automático y el aprendizaje profundo (deep learning), pueden tener efectos transformadores en la función de cumplimiento ALD/CFT, con la posibilidad de aumentar la eficiencia, la eficacia y los menores costos y racionalizar los recursos.

Pero esto no sucederá de la noche a la mañana. Y no estará disponible de inmediato para todos los bancos. En diciembre, todos los reguladores federales de la banca y de las cooperativas de crédito en EE.UU. emitieron un llamado a la innovación, exhortando a las instituciones a estudiar la implementación de un mayor uso de la tecnología, en lugar de permanecer en un patrón de presentación defensivo de ROS con índices de alerta de monitoreo de transacciones que se dispararon más allá del 90%.

Pero este mantra necesita ser llevado más lejos. Independientemente de cómo los grandes proveedores, las grandes firmas de inteligencia artificial y los grandes bancos aprenden en términos de cómo unir la IA y ALD, deben compartir esos hallazgos y técnicas de enseñanza con bancos pequeños y medianos.

Esto ayudará a que el sector bancario en general crezca en términos de entendimiento de las cuestiones de cumplimiento y tecnología, y dificultar que delincuentes y grupos de lavadores encuentren el banco que no está comprometido con sistemas que utilizan IA, que terminan siendo el eslabón débil de la cadena.