2023 esta siendo definitivamente el año de la inteligencia artificial. Y la prevención del blanqueo de capitales no podía quedarse fuera: la semana pasada Google Cloud presentó Anti Money Laundering AI, una herramienta de monitoreo de transacciones (transaction monitoring) impulsada por inteligencia artificial.
Fue desarrollada en conjunto con el banco HSBC, donde el sistema se encuentra implementado desde hace un año en el Reino Unido.
Falsos positivos: un dolor de cabeza para los especialistas de la prevención del blanqueo de capitales
El monitoreo de transacciones es un elemento esencial de todo sistema antiblanqueo de bancos, entidades financieras y de pago, respecto del cual se invierten millones y millones cada año para mantenerlo actualizado frente a los nuevos métodos de blanqueo de capitales, cada vez más sofisticados.
No obstante, hay un dolor de cabeza común a todo sistema de monitoreo de transacciones: los falsos positivos. Las entidades financieras y otros sujetos obligados dilapidan muchos recursos humanos y materiales en investigar transacciones potencialmente sospechosas que, en un porcentaje absolutamente mayoritario, resultan no ser blanqueo de capitales.
En su fase de desarrollo AML AI redujo los falsos positivos en un 60%
Esto se debe a que los sistemas de monitoreo se encuentran basados en reglas. Es decir, cuando una transacción cumple con un conjunto de criterios predefinidos, la misma automáticamente pasa a considerarse potencialmente sospechosa, y es sometida a un proceso de revisión que puede terminar con la presentación de un reporte de operación sospechosa ante las autoridades.
Pero la mayoría de las veces la decisión final es que la actividad no resulta sospechosa, aunque cumpla con los criterios fijados previamente.
Es cierto que las instituciones financieras destinan grandes recursos a optimizar las reglas. Inclusive ya existen aplicaciones de inteligencia artificial destinadas justamente a mejorar los sistemas basados en reglas.
Pero el problema es que el sistema de reglas parte de una axioma que lo hace altamente ineficiente: monitorizamos de más para evitar que se los pase algo que realmente sea blanqueo de capitales. Esto hace a este tipo de sistemas efectivos pero ineficientes.
La nueva herramienta de Google Cloud promete terminar con este axioma, con un cambio de paradigma radical.
Revolución en la prevención del blanqueo de capitales: de un sistema de reglas a uno de riesgo basado en datos con ayuda de la inteligencia artificial
AML AI parte de un enfoque completamente distinto: no utiliza inteligencia artificial para mejorar las reglas, sino que mediante técnicas de machine learning detecta actividades potencialmente sospechosas y a cada alerta le asigna un nivel de riesgo según el grado de certeza de que realmente se corresponda con blanqueo de capitales.
Pero el nivel de riesgo no se basa únicamente en el la transacción en si misma, sino que adopta un enfoque holístico, teniendo en cuenta otros factores, como el perfil del cliente y el contexto de la transacción. Además, el sistema es totalmente explicable, ya que desglosa los indicadores claves de riesgo y la puntuación asignada a cada uno de ellos.
Los siguientes gráficos explican este proceso en detalle:
Para ello, el sistema es entrenado utilizando el conjunto de datos de la institución financiera. Durante su periodo de desarrollo, AML AI analizó reportes de operaciones sospechosas de HSBC de años anteriores para aprender a identificar una actividad potencialmente sospechosa.
Además, AML AI tiene la ventaja de se retroalimenta: es decir, continuará aprendiendo a medida que HSBC lo utilice para monitorizar más transacciones.
Pero no todo es color de rosas. Su implementación requiere una buena gobernanza de datos. Al ser un sistema data-driven, si los datos que se introducen al sistema no se encuentran verificados, ni son de buena calidad, el aprendizaje del sistema y su posterior implementación tampoco será de calidad.
Los números de AML AI con el HSBC
HSBC ha estado colaborando con Google Cloud en en el desarrollo de AML AI desde 2020. Se implementó por primera vez en la filial del Reino Unido, donde se compararon sus resultados con los resultados del monitoreo de transacciones de años anteriores.
De acuerdo a un estudio de CELENT, HSBC encontró que el sistema basado en machine learning identificó de 2 a 4 veces más actividad sospechosa que su sistema basado en reglas, mientras que al mismo tiempo redujo la cantidad de casos que sus analistas necesitaban revisar en un 60%.
AML IA también mejoró sustancialmente la experiencia del cliente al reducir la cantidad de veces que los analistas tuvieron que comunicarse con los clientes para solicitar información adicional. Con una identificación de problemas más precisa y menos falsos positivos, las comunicaciones con los clientes se redujeron en un 60%.
Con estos números, pareciera que nos encontramos frente a un cambio de paradigma dentro del monitoreo de transacciones en la prevención del blanqueo de capitales, donde pasaremos de un sistema de reglas a uno basado en un análisis holístico de datos mediante la utilización de sistemas de inteligencia artificial.
En el siguiente video, Neil Katkov, Director de Riesgo de CELENT entrevista a Paula Guidorizzi Borges, Head of Dynamic Risk Assessment Analytics en el HSBCm quien explica brevemente los resultados de la aplicación de AML AI en la institución financiera.
