Por Jorge Manrique, Rector del Colegio Jurista y Director de Gobierno de Calidad, consultoría de políticas públicas.
Las recientes mejoras en el aprendizaje automático ayudan a los bancos a mejorar significativamente sus programas contra el lavado de dinero, como el monitoreo de transacciones que combina el aprendizaje automático con otros algoritmos avanzados como bosque aleatorio, aumento de gradiente o aprendizaje profundo. Cn tales herramientas los bancos pueden cosechar uno de los beneficios más inmediatos y significativos en el control de lavado de dinero
Actualmente, muchas instituciones financieras utilizan herramientas basadas en reglas y escenarios o enfoques estadísticos básicos para el monitoreo de transacciones. Se trata de banderas rojas de la industria, indicadores estadísticos básicos y el juicio de expertos. Sin embargo, éstos elementos a menudo no logran capturar las últimas tendencias en el comportamiento de lavado de dinero.
En cambio, los modelos de aprendizaje automático aprovechan datos más granulares e indicativos de comportamiento para crear algoritmos sofisticados. También son más flexibles para adaptarse rápidamente a las nuevas tendencias y mejorar continuamente con el tiempo a medida que las operaciones delictivas se vuelven más sofisticadas.
En sí, al reemplazar las herramientas basadas en reglas y escenarios con modelos de aprendizaje automático, se mejora la identificación de actividades sospechosas hasta en 40 por ciento y la eficiencia aumenta hasta en 30 por ciento.
El aprendizaje automático, sin embargo, no resulta útil cuando no hay suficientes datos para construir inteligencia con visión de futuro. En estos casos, un enfoque tradicional, como las herramientas basadas en reglas y escenarios, por ejemplo, puede ser más efectivo.
Cuando se trabaja con informes de actividad sospechosa, por otra parte, los datos de baja calidad conducen inevitablemente a un rendimiento deficiente del modelo. Es importante, por ejemplo, no depender demasiado de las categorías de informes de actividades sospechosas, por ejemplo la estructuración, financiación del terrorismo, blanqueo de capitales o fraude…ya que usualmente son limitadas.
Con esto en mente, las instituciones exploran ya una serie de iniciativas para mejorar la recopilación de datos para sus modelos de aprendizaje automático. Esto para lograr proporcionar un contexto enriquecido para el monitoreo de transacciones.
Los modelos de aprendizaje automático, asimismo, pueden incorporar una amplia gama de nuevos elementos y variables, como datos de clientes mejorados que incluyan, por ejemplo, naturaleza del negocio o tipo de clientes, pero también datos de producto más completos o de canal más granulares como los canales para diferentes productos.
También es factible obtener indicadores de riesgo en todas las tipologías, por ejemplo el sesgo geográfico o empresarial, e incluso tener fuentes de datos externas como datos de la oficina y registros de delitos financieros.
Ahora, los modelos de aprendizaje automático son menos transparentes que los basados en reglas, y los equipos y reguladores de gestión de riesgos de modelos exigen cada vez más una mejor explicación del modelo. Es decir, mejores métodos para interpretar los modelos de aprendizaje automático de “caja negra”, que desarrollan y aprenden directamente de los datos sin supervisión u orientación humana, para que puedan evaluar los modelos.
Sin embargo, se trata de soluciones que valdría la pena implementar ante el ascenso mundial de los delitos financieros.
