Inteligencia Artificial y “aprendizaje automático” para descubrir vinculación entre grupos criminales y mejorar las alertas
Por Brian Monroe
6 de diciembre de 2016
Un regulador australiano tiene como objetivo crear una mejor manera de identificar el lavado de dinero y los delitos subyacentes de donde salió este dinero mediante el uso de la inteligencia artificial y el aprendizaje automático –machine learning—para ampliar el alcance de las capacidades analíticas más allá de los rastros de las transacciones individuales.
Esa es una de las metas de la UIF de Australia, Australian Transaction Reports and Analysis Centre (Austrac) –Centro Australiano de Reporte y Análisis de Transacciones— en su colaboración con la Universidad RMIT en Melbourne que se detalla en un informe recientemente publicado que describe su trabajo en un nuevo sistema de monitoreo de transacciones que pondría menos presión en la experiencia de los analistas, reduciría los falsos positivos y trabajaría casi en tiempo real.
Esta alianza tiene por objeto mejorar lo que la mayoría de las instituciones financieras de todo el mundo ya están haciendo por necesidad, como parte de las mejores prácticas o como resultado de las obligaciones explícitas contra el lavado de dinero. Actualmente, muchas instituciones utilizan sistemas complejos de monitoreo automatizado de transacciones –en sintonía con escenarios, algoritmos y modelos sofisticados— para generar alertas de posible actividad sospechosa de lavado de dinero u otros delitos.
Pero un inconveniente clave de estos sistemas es que generan muchos falsos positivos, poniendo enorme presión en la capacidad de decisión de los analistas humanos y la relación entre los analistas humanos con el volumen de las alertas entrantes en general, lo que por lo general resulta en que los equipos de cumplimiento terminan siendo abrumados y mucha actividad pasa por debajo del radar de control.
La sociedad entre Austrac y RMIT es también una de las raras instancias en que un regulador financiero ha declarado públicamente que está jugando con el aprendizaje automático—machine learning— para mejorar los resultados en la detección y prevención de delitos financieros, un paso que sin duda será revisado y potencialmente reflejado por los examinadores en otros países.
La decisión podría también llevar a los bancos a promover sus propias actividades de fintech e inteligencia artificial (IA).
«La prevención del lavado de dinero es vista como una alta prioridad por muchos gobiernos, sin embargo, la detección de lavado de dinero sin conocimiento previo de los delitos subyacentes sigue siendo un gran desafío», según el informe.
Pero parte del problema actual es que «los sistemas de detección previos han tendido a centrarse en los individuos, considerando historial de las transacciones para detectar anomalías para identificar comportamientos sospechosos».
Sin embargo, el lavado de dinero «involucra a grupos de individuos colaboradores, y las evidencias de lavado de dinero sólo pueden ser aparentes cuando se considera el comportamiento colectivo de estos grupos».
El sistema elaborado por Austrac, sin embargo, «está a la vanguardia del actual estado de la técnica analizando tanto relaciones explícitas de transacción como relaciones implícitas derivadas de información suplementaria».
Analizar “comunidades” menores para obtener mejores resultados
El sistema «extrae comunidades pequeñas y significativas de esta red de una manera que permite que sea considerado en el proceso el conocimiento comercial. El aprendizaje supervisado se aplica entonces a estas comunidades para obtener clasificadores entrenados», lo que significa que la parte entrenada del sistema conoce un conjunto dado de actividades sospechosas conocidas.
El sistema de Austrac realiza cuatro tareas principales:
- Modelado de relaciones derivadas de datos de Austrac como una red atribuida.
- Extracción de comunidades de la red de transacciones.
- Cálculo de características de las comunidades extraídas, capturando información relacionada con la dinámica de las transacciones, demografía de los partidos y estructura de la comunidad.
- Aprendizaje automático supervisado, tratando comunidades extraídas como observaciones.
Como resultado, “se consigue un nivel de exactitud adecuado con altos niveles de precisión. Esta es una característica importante para nuestro sistema, ya que el uso en un ambiente vivo requiere una baja tasa de falsos positivos».
Un número menor de alertas de calidad es vital ya que los analistas humanos estarán haciendo un seguimiento de la actividad, señala el informe, agregando que el proyecto, como se prevé, será capaz de analizar millones de transacciones y reducir la cantidad de información y datos significativos.
Paso a paso: cómo funciona el sistema Austrac, diseñado para funcionar de forma continua, analizando la nueva actividad tal como se produce:
Inicialmente, Austrac extrae un conjunto aleatorio de comunidades de la red de transacciones, y las combina con un conjunto de comunidades sospechosas conocidas, que forma el conjunto de entrenamiento para la pieza de aprendizaje supervisado del sistema y crea un «clasificador entrenado».
Después de haber obtenido el «clasificador entrenado», el sistema se emplea entonces para el análisis de la nueva actividad.
Para cada nueva transacción informada, la parte iniciadora es tratada como una semilla y la comunidad que contiene esta parte es extraída de la red.
Las características seleccionadas son calculadas y la comunidad se clasifica como sospechosa o no sospechosa utilizando el clasificador previamente entrenado.
Las comunidades que se consideran sospechosas son transferidas a los analistas de inteligencia para una investigación más profunda.
Para su proyecto, Austrac sólo examinó las transacciones vinculadas a giros y grandes depósitos en efectivo presentados a la unidad de inteligencia financiera (UIF) en 2012.
Los elementos centrales de la iniciativa incluyen la “construcción de un modelo de red representando las relaciones derivadas de los registros financieros de Austrac, la extracción de comunidades significativas de esta red, la generación de características que capturan los rasgos clave de estas comunidades y, finalmente, la clasificación utilizando un enfoque de aprendizaje supervisado».
Nadar en forma conjunta por las transacciones
La «novedad principal de este sistema» y la mejora de los sistemas actuales, según el documento de investigación, se describe a continuación:
Análisis de red que combina transacciones financieras y relaciones suplementarias: la red analizada por nuestro sistema contiene múltiples relaciones, representadas mediante bordes marcados. Ejemplos de estos tipos de bordes serían transacciones y asociaciones. Además de la remesa real de fondos, las partes pueden estar vinculadas por cuentas compartidas, uso compartido de agentes, superposición de geolocalizaciones, etc.
Ponderación de la relación: al determinar la fuerza de una conexión entre dos partes, los diferentes tipos de relaciones se ponderan para reflejar la importancia percibida. Esto permite incorporar el conocimiento comercial en el modelo de red.
Tratamiento de los grupos como observaciones para los clasificadores de aprendizaje supervisados: los sistemas comparables descritos se han centrado en las partes individuales, por lo general analizando el historial de transacciones de cada parte de forma aislada. Nuestro sistema considera a los grupos de transacciones como la unidad básica de análisis, extendiendo la noción de «conocer a su cliente» a un entorno de red.
Extracciones más estrictas, inteligencia más rápida: los grupos de partes que interactúan estrechamente pueden extraerse de una red de diferentes maneras. Hemos elegido utilizar un enfoque ascendente para esta tarea, extrayendo a las partes relevantes de una pequeña región centrada en cada nueva transacción. Este enfoque se adapta particularmente a las necesidades operacionales de un entorno de inteligencia en tiempo casi real.
Un sistema que utilice esos parámetros probablemente podría mejorar las iniciativas actuales de las instituciones financieras –incluso las que utilizan escenarios basados en reglas, entre otros—ya que será capaz de identificar de mejor manera e inculcar nuevos métodos de delitos financieros más allá de patrones previamente establecidos codificados en los sistemas actuales, según el informe.
Además, el sistema Austrac podría reducir el tamaño de las redes de entidades interconectadas capturadas por el análisis de transacciones, permitiendo identificar con más rapidez a las entidades que participan en operaciones de lavado de dinero.
«Otro inconveniente de los métodos existentes es que a menudo dan lugar a comunidades excesivamente grandes», según el informe. «Se piensa que las comunidades significativas contienen menos de 150 individuos … y las tipologías publicadas indican que la investigación de las operaciones de lavado de dinero se centra a menudo en un número relativamente pequeño de partes clave».
Más bancos y reguladores le prestan atención a la IA
Esos sentimientos y el deseo de mejorar los resultados están respaldados por los informes recientes sobre la IA y la ALD.
“El enfoque tradicional de utilizar software basado en reglas y grandes equipos de cumplimiento están demostrando ser inadecuados para cumplir con los objetivos regulatorios y comerciales”, según Arin Ray y Neil Katkov, analistas de Celent en un nuevo informe titulado Artificial Intelligence in KYC-AML: Enabling the Next Level of Operational Efficiency, Inteligencia Artificial en CSC-ALD: permitir el próximo nivel de eficiencia operacional.
«Los bancos deben considerar nuevas herramientas y tecnología para enfrentar mejor los desafíos que afectan a sus operaciones de conocer al cliente en materia», según el informe publicado en agosto.
Las soluciones de IA para conocer al cliente pueden «traer importantes beneficios operacionales y de costos a través de la automatización de procesos manuales y análisis e ideas superiores», según el informe. Enumera varios ejemplos, incluyendo:
- Un banco de datos central con datos «inteligentes» permite una visión holística del cliente y facilidad de acceso a los datos, lo que permite una investigación más rápida y mejores resultados.
- Los datos pueden ser entrenados para ser conscientes del contexto mediante la incorporación de conocimientos y reglas. Además, la solución se puede hacer para aprender y actualizar las reglas basadas en casos nuevos y en curso.
- Las capacidades no estructuradas de análisis de datos ayudan a rastrear las noticias, las redes sociales y la información en la web, y realizar análisis lingüísticos, permitiendo un análisis más fácil y eficiente de listas largas, otras fuentes de información y comunicación de los empleados.
- Las capacidades analíticas avanzadas ayudan a identificar patrones, enlaces y redes de delincuentes o actores sospechosos, y actividades sospechosas.
- Las capacidades de Inteligencia Artificial también ayudan a escanear documentos y entender mejor los cambios regulatorios.
En el sector financiero, los bancos «han expresado su interés en explorar y adoptar soluciones compatibles con IA como parte de sus operaciones CSC-ALD; la adopción real es probable que sea liderada por grandes bancos globales, según el informe.
Algunos bancos ya están utilizando soluciones relacionadas con IA, y «es probable que veamos su adopción adicional en los próximos 18-24 meses», según el informe.
La OCC crea una nueva oficina para revisar innovación e IA
La innovación y la forma en que la inteligencia artificial puede ser utilizada por los bancos y las firmas fintech están en la mente de funcionarios de la Oficina del Contralor de la Moneda (OCC), el regulador de los bancos más grandes y complejos de Estados Unidos.
En octubre, la OCC señaló en un informe que analizaba el tema de cómo la agencia apoyaría un marco para la innovación responsable, que había aprobado la creación de una «Oficina de Innovación».
La oficina «será el punto central de contacto y centro para las solicitudes y la información relacionada con la innovación», de acuerdo con la OCC, agregando que está programado para comenzar a operar en el primer trimestre del próximo año.
«Los avances tecnológicos, junto con la evolución de las preferencias de los consumidores, están reformando la industria de servicios financieros a un ritmo acelerado», según la OCC.
«En los últimos años, ha surgido un número cada vez mayor de empresas de tecnología financiera no bancarias (fintechs) para ofrecer productos y servicios financieros a través de plataformas alternativas y canales de distribución».
En el área de cumplimiento, las fintechs también está «aprovechando nuevas tecnologías y procesos, tales como cloud computing, interfaces de programación de aplicaciones, libros distribuidos, inteligencia artificial y análisis de datos masivos», dijo la agencia.