HPE Proveedor Mexico: Anti fraude financiero
HPE Proveedor Mexico: Anti fraude financiero
bailon.andres
HPE Proveedor Mexico: Anti fraude financiero
HPE Proveedor Mexico. Los sistemas de detección de fraude financiero se vuelven más inteligentes con IA
Los sistemas de detección de fraude financiero se vuelven más inteligentes con IA
Aquí y allá, aunque no necesariamente en todas partes, los bancos están introduciendo tecnologías de lenguaje de máquina en sus sistemas de detección de fraude.
Esencialmente, el objetivo es doble: detectar incidentes reales de fraude de forma rápida y precisa, y hacerlo mientras se evitan falsos positivos , en los que las transacciones legítimas se etiquetan erróneamente como sospechosas.
Los grandes bancos han liderado el gasto en gestión de riesgos habilitada para ML, dice Steven D’Alfonso, director de investigación de IDC responsable del cumplimiento, el fraude y las estrategias de análisis de riesgos para IDC Financial Insights .
Muchos bancos más grandes planean expandir los sistemas de detección de fraude habilitados por inteligencia artificial (IA) en sistemas de soporte de decisiones en toda la empresa. Se espera que muchos bancos más pequeños que aún no se hayan embarcado en ML sigan suscribiéndose a los servicios administrados de ML.
Tienen motivos para prestar atención. Solo para incidentes de fraude con tarjetas de crédito y débito, las pérdidas financieras para bancos y comerciantes este año ascenderán a la friolera de $ 32.82 mil millones, frente a $ 31.26 mil millones en 2018 y $ 21.8 mil millones en 2016, de acuerdo con las estimaciones del Informe Nilson, que también se citan en un informe de referencia de la industria Rippleshot .
En general, ¿cuáles son las principales preocupaciones de fraude de las instituciones financieras en la actualidad? Según el informe de Rippleshot, los problemas urgentes son detectar cuentas fraudulentas más rápido (42 por ciento), reducir el impacto del fraude (42 por ciento) y minimizar el impacto en el cliente (17 por ciento).
Aún así, los bancos que implementan la gestión del fraude impulsado por el LD están siendo cautelosos.
Están integrando sugerencias hechas a través de análisis de comportamiento, análisis predictivo y otras tecnologías de ML en sus enfoques basados en reglas tradicionales ya existentes. “Definitivamente, esto no es ‘desgarrar y reemplazar'”, señala Doug Henschen, vicepresidente y analista principal de Constellation Research .
Sin embargo, con nada más que las reglas tradicionales de transacción, los sistemas de detección de fraude a menudo han interferido con transacciones legítimas al no detectar actividades criminales reales, como el robo de identidad y el lavado de dinero.
Necesario: más precisión y agilidad
El fraude bancario es un negocio muy complejo y puede ocurrir de muchas maneras diferentes, a través de transacciones en línea con tarjeta de crédito o débito o en un punto de venta minorista (POS).
Los bancos en sí no son inmunes, ya que el fraude puede tener lugar en sucursales bancarias o mediante cajeros automáticos, banca móvil e Internet, cheques bancarios, transferencias bancarias y centros de llamadas telefónicas. Las empresas también corren el riesgo de realizar pagos financieros con los bancos.
Razón de más para que las instituciones financieras mejoren sus procesos de detección. Las reglas en los sistemas tradicionales de detección de fraude utilizan una combinación de datos y escaneo de horizonte. Los resultados suelen ser binarios, etiquetando las transacciones como fraudulentas o auténticas.
Por otro lado, los sistemas basados en ML, pueden proporcionar una respuesta mucho más rápida, precisa y ágil.
“Los estafadores tienen acceso a más y más datos de clientes, y están ejecutando scripts automatizados. Y los esquemas se vuelven cada vez más sutiles y los bancos deben seguirles el ritmo”, según D’Alfonso de IDC.
“Los delincuentes cambian constantemente sus métodos”, coincide Henschen. “Los bancos quieren detectar estos cambios mucho más rápidamente. Es por eso que buscan ML para complementar sus sistemas existentes”.
Sin embargo, el objetivo de los bancos con los sistemas de LD no es abolir las reglas de detección de fraude existentes, muchas de las cuales se han establecido con fines de cumplimiento normativo.
“Es descubrir reglas nuevas y más efectivas o modificar los parámetros de las reglas existentes”, dice Tim Prugar, vicepresidente de operaciones de Next Caller , una compañía especializada en sistemas de detección de fraude de ML para centros de llamadas.
Los falsos positivos también causan estragos
Mientras tanto, los falsos positivos relacionados con el fraude afectaron a uno de cada 15 consumidores en 2017, según un informe de Javelin Strategy and Research.
Un sistema de detección de fraude de la vieja escuela podría marcar una transacción de tarjeta de crédito, por ejemplo, si una compra se lleva a cabo en un restaurante a cierta distancia de la residencia del titular de la tarjeta.
El sistema puede sospechar que un ladrón robó la tarjeta, cuando en realidad, el titular de la tarjeta está de vacaciones.
O, dependiendo de las reglas del sistema de detección de fraude, también podría marcar una transacción si un consumidor realiza tres transacciones durante una sola hora.
Cuando se marca una transacción, el banco generalmente bloquea la transacción y la cuenta del cliente hasta que el cliente se contacta con el banco y confirma las transacciones recientes con un empleado humano.
“Los falsos positivos agregan mucha más fricción a la experiencia del cliente. Esto puede reducir la probabilidad de promocionarlo y recomendarlo a otros y reducir la cantidad de negocios que los clientes están dispuestos a hacer con usted”, según Prugar.
Implementación del mundo real
Los bancos son notoriamente reticentes a revelar sus bases de TI, por razones obvias. Esto es particularmente cierto cuando se trata de detección de fraude y otras medidas de seguridad informática.
Aún así, algunos bancos están reflexionando sobre los anuncios públicos sobre la implementación de nuevos sistemas de detección de fraudes impulsados por tecnologías ML.
En diciembre de 2018, Citi anunció planes para integrar el sistema de monitoreo de gestión de transacciones impulsado por ML de Feedzai en sus propios servicios y plataformas patentados, con el objetivo de proporcionar a los clientes comerciales una mejor gestión de riesgos para las transacciones de pago.
Westpac New Zealand, uno de los varios bancos en ese país que se vio afectado por una ola de fraude, anunció recientemente su adopción del Proactive Risk Manager habilitado por ML de ACI Worldwide como una nueva alternativa al sistema de detección de fraude basado en puntos de larga data del banco.
Bank Danamon Indonesia está utilizando Cloudera Enterprise junto con la plataforma de aprendizaje automático de Kogentix para la detección de fraudes y el marketing personalizado .
La solución proporciona al banco las herramientas necesarias para probar, capacitar y validar modelos avanzados de ML, así como para analizar modelos a lo largo del tiempo, dice Billie Setiawan, ex jefe de gestión de decisiones en el banco y ahora jefe de gestión de datos empresariales en el Banco Mandiri
El banco en Indonesia está analizando más de 1 terabyte de datos no estructurados y estructurados cada día, tanto a través de transmisión en vivo como en modo por lotes, según Setiawan.
La información abarca tarjetas de crédito, transacciones, productos, banca por Internet, banca móvil, atención al cliente, voz, registro digital y datos de redes sociales.
Algunos otros bancos están permitiendo que los proveedores de detección de fraude hagan referencia a sus implementaciones de ML, siempre que el banco permanezca en el anonimato.
Cognizant, por ejemplo, anunció que un banco global sin nombre está utilizando su tecnología de aprendizaje automático profundo (DML) para ayudar a detectar el fraude con cheques. Diseñada para imitar el cerebro humano, la tecnología DML explota las poderosas capacidades de procesamiento de las redes neuronales.
El banco global sin nombre ya estaba usando DML, junto con el reconocimiento óptico de caracteres, para escanear y procesar cheques y verificar firmas.
El sistema DML de Cognizant utiliza la tecnología de red neuronal TensorFlow de Google para analizar una base de datos histórica de cheques previamente escaneados, incluidos algunos que resultaron ser fraudulentos.
Cognizant entrenó a la red neuronal para usar algoritmos comparativos para distinguir las verificaciones buenas de las malas. El modelo DML identifica posibles falsificaciones en tiempo real al comparar varios factores en los escaneos de cheques depositados con los de la base de datos histórica.
Cada uno de los cheques depositados tiene un nivel de confianza, que lo marca como fraudulento, bueno o necesita una revisión adicional.
Detección de fraude para call centers
Los clientes del sistema de detección de fraude del centro de llamadas VeriCall de Next Caller incluyen un banco superior y un importante proveedor de telecomunicaciones, ambos en los EE. UU., Según Prugar.
Los estafadores a menudo intentan obtener datos de clientes llamando a centros de atención telefónica y explotando vulnerabilidades interactivas de respuesta de voz y métodos de ingeniería social, dice Prugar. VeriCall utiliza tecnologías ML para monitorear flujos de datos en llamadas telefónicas entrantes y tomar decisiones sobre dónde dirigir una llamada en función de la identificación automática de números (ANI) y los datos de la red junto con las reglas comerciales creadas con los clientes.
A cada llamada se le asigna un nivel de amenaza y una puntuación de riesgo.
Las personas que llaman marcadas como de alto riesgo pueden requerir autenticación adicional o ser enrutadas a un agente de alto riesgo, por ejemplo. “VeriCall también está diseñado para detectar numerosos tipos de suplantación de identidad ANI, desde llamadas falsas que se originan desde aplicaciones simples que se pueden descargar desde Apple Store hasta sofisticadas manipulaciones de encabezado SIP y exploits de inyección de parámetros”, sostiene Prugar.
¿Cómo funcionan los sistemas ML?
En términos generales, los sistemas de detección de fraude basados en ML utilizan algoritmos complejos que están entrenados en conjuntos de datos específicos.
Siguen aprendiendo de los escenarios que se les presentan y reconocen, hacen sugerencias y actúan sobre patrones en los datos.
Las implementaciones de sistemas ML varían en todo el mapa, pero generalmente incluyen análisis de comportamiento y predictivos .
El análisis de comportamiento va más allá de cumplir con los criterios de las reglas tradicionales, como la ubicación y el monto de la transacción; Los sistemas modernos extraen y analizan patrones de comportamiento mucho más amplios.
Estos patrones son sobre detalles de transacciones actuales, datos históricos sobre hábitos de compra de usuarios y huellas digitales de dispositivos, por ejemplo.
Varios tipos de técnicas de análisis predictivo se utilizan ampliamente en los sistemas de detección de fraude ML.
El análisis de regresión logística mide la fuerza de las relaciones de causa y efecto en conjuntos de datos estructurados y evalúa las capacidades predictivas de las variables y las combinaciones de variables en el conjunto.
Las transacciones fraudulentas y auténticas se comparan para crear un algoritmo que luego predice si una nueva transacción es fraudulenta.
El análisis del árbol de decisiones aprovecha los algoritmos de clasificación de datos para determinar los riesgos potenciales y las revisiones de varias acciones.
El modelo presenta posibles resultados a través de un diagrama de flujo que utiliza una estructura en forma de árbol para ayudar a las personas a visualizar y comprender el análisis.
La técnica de bosque aleatorio de la analítica predictiva utiliza múltiples árboles de decisión para apuntar a resultados más precisos, evitando los errores que pueden resultar de depender de un solo árbol.
Quedan muchas gotchas
En este punto, sin embargo, las técnicas de detección de fraude de ML están muy lejos de ser infalibles. Un problema es que, si se usa incorrectamente, las técnicas de LD pueden introducir nuevos tipos de riesgo.
Por un lado, se necesita una cantidad considerable de datos para que un modelo ML logre precisión. Sin suficiente información, el modelo podría sacar inferencias incorrectas y llegar a resultados erróneos.
“Al aprovechar las tecnologías de ML, también es importante recordar que el fraude es el caso atípico, no la norma. La capacitación en conjuntos de datos que tratan el fraude como una ocurrencia normal puede tener un impacto bastante negativo en sus defensas.
Desea capacitar al sistema sobre el buen comportamiento , no en el comportamiento que es inusual para su base de clientes “, aconseja Prugar.
Además, sin las reglas tradicionales u otra tecnología que actúe como control y equilibrio, un sistema de detección de fraude basado en ML podría ser engañado, dice Henschen de Constellation.
Según el analista, los estafadores podrían entrenar al sistema desde el exterior para aceptar ciertos patrones, como en ciertas cuentas, de ciertos países y en ciertos momentos del día, bombardeando primero a los bancos con transacciones legítimas de bajo valor que sigan estos patrones y luego usar este historial de transacciones aprobadas para tratar de deslizarse en una transacción grande y fraudulenta que sigue los mismos patrones.
Otra razón para la adopción lenta y gradual de ML es que los modelos y resultados pueden ser difíciles de explicar y validar para satisfacer los requisitos reglamentarios. Esto puede ser particularmente cierto para los sistemas DML, que pueden arrojar resultados muy precisos por razones que parecen inexplicables.
Sin embargo, según un informe reciente de McKinsey , los reguladores ahora se están sintiendo cómodos con los enfoques de validación como el bosque aleatorio, ya que estas técnicas producen modelos que son relativamente fáciles de probar y comprender.
Un futuro brillante
Sin embargo, a pesar de los inconvenientes actuales, los sistemas de fraude de ML tienen un gran potencial para mantenerse al tanto de las estafas emergentes y reducir sustancialmente el número de falsos positivos y falsos negativos. “La industria solo ha alcanzado la punta del iceberg todavía en lo que podríamos lograr”, predice Prugar.
AI y fraude financiero: lecciones para líderes
- Los sistemas tradicionales de detección de fraude generan resultados binarios, etiquetando las transacciones como fraudulentas o auténticas. La tasa de falla es demasiado alta.
- El aprendizaje automático está haciendo que las respuestas sean más precisas, utilizando varios algoritmos para proporcionar puntuaciones más útiles.
- Sin embargo, el aprendizaje automático no se puede adoptar de la noche a la mañana, ya que plantea problemas no resueltos de requisitos reglamentarios.
HPE Proveedor Mexico: Anti fraude financiero
