Transformar el mundo antilavado utilizando la inteligencia artificial

Por Deepak Amirtha Raj

Analista de investigación de Cenza, especializado en desarrollo de estrategias y análisis de negocios a través de la inteligencia artificial, realidad virtual y realidad aumentada.

Publicada originalmente aquí y reeditada con autorización.

La mayoría de la gente habrá oído hablar de los grandes logros en la inteligencia artificial (IA): los sistemas derrotan a los campeones mundiales en juegos de mesa como GO o ganan importantes concursos de ajedrez, entre otros.

Estos son pequeños logros de la IA, pero hay una revolución silenciosa que tiene lugar en otras áreas, incluyendo el Cumplimiento Normativo en Servicios Financieros.

«La tecnología KYC-AML (antilavado/conozca su cliente) basada en reglas tradicionales requiere una dependencia significativa de los esfuerzos manuales, particularmente en la etapa de investigación de alerta, que es costosa, propensa a errores e ineficiente».

El objetivo final de cualquier Institución Financiera es lograr la confianza de sus clientes, pero igualmente importante es verificar la información que los clientes les proporcionan.

Esto es vital ya que la exactitud de las iniciativas de diligencia debida del cliente de un banco debe tener una correlación directa con las evaluaciones sobre el riesgo del cliente, normalmente una puntuación numérica que cae en categorías de bajo, medio o alto riesgo. Esos valores informan al sistema de monitoreo de transacciones ALD, que suele ser ajustado para dar mayor escrutinio a las entidades de mayor riesgo.

Los reguladores se están concentrando cada vez más en asegurar que los bancos cuenten con controles robustos y efectivos para la debida diligencia del cliente (CDD). Las lagunas en el lavado de dinero y los controles de la CDD han expuesto a varias instituciones financieras a sanciones monetarias y a medidas de aplicación de ley por parte de las autoridades, llevando a éstos a endurecer los niveles de supervisión para toda la industria.

Aquí algunos ejemplos:

• –United Overseas Bank (UOB), que fue sancionado con una multa de US$900.000, y Credit Suisse Group de Suiza, que fue multado con US$700.000, ambos por incumplimiento de requisitos ALD y fallas en los controles.

–El banco alemán Deutsche Bank recibió una multa de US$204 millones por parte del regulador británico, Financial Conduct Authority por inadecuados controles ALD.

–· La Autoridad Monetaria de Singapur (The Monetary Authority of Singapore (MAS) ha retirado el estatus de banco comercial de la sucursal de Singapur de Falcon Private Bank con sede en Suiza por fallas graves en los controles ALD. En ese caso, la severidad de la pena, y las sanciones individuales contra varios altos funcionarios, se produjo como resultado de los vínculos del banco con el fraude masivo del 1MDB, escándalo de corrupción y lavado de dinero.

Para las instituciones financieras, el CDD es un elemento vital para protegerse de posibles crímenes financieros.

Liderando los cambios en KYC/AML

El espacio de conocimiento del cliente (KYC) se enfrenta a varios cambios de conducción clave que también deben tenerse en cuenta antes de implementar un programa de CDD ayudado por IA:

• Regulaciones en constante evolución – Requisitos regulatorios y entornos de cumplimiento, alimentados por iniciativas como la Ley de Cumplimiento de Impuestos de la Cuenta Extranjera de los Estados Unidos (FATCA), la aplicación agresiva de sanciones por parte de la Oficina del Control de Activos Extranjeros (OFAC), la 4ta Directiva de la Unión Europea (4AMLD). Como resultado, los bancos multinacionales deben garantizar el cumplimiento no sólo en su país de origen, sino también en entornos más complejos y con menos infraestructuras para el cumplimiento normativo.
• Más escrutinio regulatorio – No adherirse a las leyes de cumplimiento de delitos financieros en cualquier jurisdicción puede traducirse en duras sanciones para la organización. Por ejemplo, Deloitte ha resaltado en su informe «Cumpliendo con una nueva expectativa» que las sanciones impuestas por incumplimiento en materia ALD en 2013 y 2014 cuadruplicaron el total de los nueve años anteriores.
• Presión por los costos – Un banco promedio gasta 40 millones de libras esterlinas al año en el cumplimiento de KYC, según una encuesta reciente de Thomson Reuters, que también reveló que algunos bancos gastan hasta 300 millones de libras anuales en KYC Compliance y CDD. No es sorprendente que, para contrarrestar a los criminales cada vez más creativos, satisfacer a los reguladores cada vez más críticos y obtener información valiosa para la aplicación de la ley, algunos rechacen el crecimiento de los costos de cumplimiento
• Sistemas tradicionales – Los documentos KYC se mantienen durante varios años en sistemas de gestión de documentos, éstos no siempre son fáciles de localizar. En ese mismo sentido, puede ser tremendamente costoso para los bancos decidir remediar y revalorizar toda su población de clientes, una iniciativa que, a la vez que ofrece el potencial de descubrir clientes sospechosos que pueden haber pasado inadvertidos, también podría irritar a los clientes existentes y en regla.

 

Inteligencia Artificial en KYC/AML

La IA lleva al Cumplimiento AML y KYC a un nivel más avanzado

IA no es sólo una tecnología, es una colección de tecnologías relacionadas que tiene el potencial de automatizar flujos de trabajo y analizar rápidamente grandes volúmenes y diferentes tipos de datos. Algunos de los beneficios potenciales del uso de AI en KYC / AML son:

1—Link Analysis:

El Link Analysis (también llamado análisis de enlace/nexo) basado en IA es un conjunto de técnicas para explorar asociaciones entre un gran número de objetos de diferentes tipos. Estos métodos son cruciales para ayudar a los investigadores humanos a comprender complejas telas de evidencia y sacar conclusiones que no son evidentes de una sola pieza de información.

Estos métodos son igualmente útiles para crear variables que se pueden combinar con fuentes de datos estructuradas para mejorar los procesos automatizados de toma de decisiones. Normalmente, los datos de enlace se modelan como un gráfico, con nodos que representan entidades de interés y enlaces que representan relaciones o transacciones con jurisdicciones dudosas, empresas, beneficiarios finales u otros detalles.

«Las soluciones habilitadas por la IA no sólo pueden automatizar partes significativas de las operaciones, sino que también ofrecen conocimientos superiores a través de capacidades avanzadas para analizar datos estructurados y no estructurados».

2—Reconocimiento de patrones:

En la mayoría de los casos, los lavadores de dinero ocultan sus acciones a través de una serie de pasos, haciendo que el dinero derivado de fuentes ilegales o poco éticas parezca haber sido obtenido legítimamente.

Como resultado, y para disminuir el número de falsos positivos que los analistas de monitoreo de transacciones AML tienen que investigar, la mayoría de los principales bancos de todo el mundo están pasando de sistemas de software basados en reglas a sistemas basados en IA que son más robustos e inteligentes para descubrir una gama más amplia de patrones de supervisión de transacciones AML potencialmente ilícitas.

Recientemente, FICO ha desarrollado Anti-Financial Crime Solutions que utiliza técnicas de aprendizaje Bayesiano sin supervisión para entender el comportamiento del cliente, que se utiliza para impulsar las investigaciones y posibles presentaciones de Reportes de Actividad Sospechosa, por ejemplo.

3—Análisis de datos no estructurado:

IA en KYC se basa más en el Procesamiento del Lenguaje Natural (Natural Language Processing, NLP) y en técnicas supervisadas de aprendizaje automático (machine learning).

Cada una de estas tecnologías tiene usos específicos y la NPL, en particular, está comenzando a utilizarse ampliamente para ayudar a analizar contenidos no estructurados, como información periodística adversa, también llamadas noticias negativas.

Junto con el aprendizaje automático, la IA basada en PNL puede «leer» dichos artículos y realizar una serie de tareas, incluyendo la extracción de metadatos, la identificación de entidades a las que se hace referencia y el «entendimiento» de la intención o propósito de partes específicas del documento.

4–Automatización del flujo de trabajo:

La IA también se puede utilizar en la generación de documentos, informes, pistas de auditoría y notificaciones.

Por ejemplo, en el análisis de la plataforma informática cognitiva DDIQ, los informes generan perfiles de riesgo tanto en empresas como en individuos en cuestión de minutos, proporcionando información completa y detallada sobre la debida diligencia global.

Además, los informes proporcionan enlaces a las fuentes de datos, lo que les permite ser completamente auditables, ofrecer detalles vitales para los equipos de auditoría interna y examinadores que normalmente quieren saber con exactitud y veracidad el origen de cualquier información utilizada en la toma de decisiones sobre AML.

Esta capacidad se vuelve más importante a medida que cambios recientes y futuros de las regulaciones mundiales de KYC requerirán la identificación y la debida diligencia de los propietarios finales.

¿Qué piensan los proveedores de AI de sus posibilidades y futuros?

Naturalmente, son optimistas sobre el potencial de sumar una clientela bancaria. «El catalizador para la adopción generalizada de IA para las tareas de KYC / AML será probablemente la preocupación por la ventaja competitiva», dice David McLaughlin, director ejecutivo de QuantaVerse con sede en Pensilvania, en una declaración a FinOP el año pasado. «Como ocurre con toda la nueva tecnología, una vez que unos cuantos jugadores grandes se interesan, el resto se suma».

Independientemente de toda la nueva tecnología, los profesionales AML no deben preocuparse por perder sus puestos de trabajo en el corto plazo. Eso es porque, actualmente, la sensación predominante es que no hay suficientes profesionales de AML calificados en el mercado.

«La lA no sustituye a la inteligencia humana, sino que la mejora», dijo Mallinath Sengupta, director ejecutivo de NextAngles, una subsidiaria de Mphasis Corp, en una discusión sobre el tema en septiembre de 2016.

Dijo a FinOps. «Es cierto, los bancos seguirán utilizando analistas para tomar las decisiones finales sobre si una transacción es sospechosa y si debe ser reportada, pero pueden ser más productivos y tener más confianza en que su decisión es precisa».

Sobre el autor

Deepak es un investigador, estratega y escritor. Estudió ingeniería y negocios en Saint Joseph’s College. Ayuda a las empresas enseñándoles sobre Inteligencia Artificial, Realidad Aumentada y Virtual, Aprendizaje Automático y Big Data.