IA contra el fraude: por qué el futuro está en los modelos especializados
El fraude financiero no se detiene. En casi treinta años trabajando en el sector financiero, el autor ha observado cómo los delincuentes adoptaban las nuevas tecnologías casi al mismo tiempo que las entidades financieras y, a veces, incluso se adelantaban a los sistemas de protección. Hoy, la inteligencia artificial ayuda a los bancos a detectar operaciones sospechosas, pero los estafadores siguen poniendo a prueba sus límites.
El problema es de gran magnitud: cada año, más de 87,5 millones de adultos estadounidenses sufren fraudes o estafas financieras. Eso equivale aproximadamente a uno de cada tres adultos en Estados Unidos. Por eso, la cuestión para las entidades financieras ya no es si necesitan IA para proteger a sus clientes, sino hasta qué punto los sistemas que utilizan están a la altura de las amenazas actuales y futuras.
Antes, los especialistas en análisis de datos ideaban a menudo métodos imposibles de aplicar en la práctica: los ordenadores no tenían potencia suficiente para procesar con rapidez los volúmenes de información necesarios. Ahora, las GPU y otras tecnologías de computación de alto rendimiento han eliminado en gran medida esa limitación.
El enfoque tradicional solía funcionar así: el sistema creaba un perfil del comportamiento habitual del cliente a partir de un conjunto de características y una red neuronal; después, comparaba con él cada nueva transacción. Si una operación se alejaba mucho de lo habitual, se marcaba como sospechosa. El método funcionaba, pero estaba limitado por la capacidad de cálculo de la época.
Las GPU actuales permiten analizar no solo un perfil elaborado de antemano, sino también un amplio historial de operaciones del cliente en tiempo real, justo cuando se efectúa el pago. Esto permite hacer predicciones más precisas y reducir las falsas alarmas. En otras palabras, hay menos compras legítimas atrapadas en el purgatorio bancario y se resiente menos la confianza de los clientes.
Una de las soluciones más prometedoras son los transformers, modelos de análisis secuencial cuyo funcionamiento recuerda al de las tecnologías empleadas en la IA generativa. No se trata de un sistema universal que «sirve para todo», sino de un modelo entrenado específicamente con datos de transacciones financieras y diseñado para combatir los delitos financieros.
Esta arquitectura tiene en cuenta el historial individual del cliente y el contexto de la operación. Así, los bancos pueden detectar amenazas con mayor rapidez y mantener a la vez una gran precisión, una latencia baja y la posibilidad de explicar por qué se tomó una decisión.
En lugar de un único modelo gigantesco, se propone utilizar varios modelos fundacionales especializados. Cada uno se ocuparía de una tarea concreta: el secuestro de cuentas, las tramas de fraude, la detección de «mulas financieras» —personas o cuentas a través de las cuales los delincuentes mueven dinero— y los abusos cometidos por el propio cliente, incluido impugnar operaciones legítimas.
Un conjunto de modelos independientes puede ofrecer una imagen más completa y transparente que un único sistema que intenta reconocer todos los tipos de amenaza a la vez. El mismo principio puede aplicarse a la evaluación de riesgos, la atención a clientes con dificultades financieras y el cobro de deudas: cualquier ámbito en el que comprender el comportamiento de una persona ayude a protegerla y atenderla mejor.
Según el autor, las tecnologías que marcarán la lucha contra el fraude en los próximos cinco años ya se están desarrollando. Se basarán en modelos especializados, una gran capacidad de cálculo y agentes de IA: sistemas de software capaces de ejecutar por sí solos una serie de acciones para cumplir una tarea determinada.
Muchos métodos matemáticos que se utilizan hoy para proteger a los clientes se desarrollaron hace décadas. En aquel entonces, los científicos carecían de la infraestructura informática necesaria para llevar sus ideas a la práctica. El autor subraya que buena parte de su trabajo —patentes, modelos y experimentos— se centró en prepararse para el momento en que la tecnología por fin alcanzara a la teoría.
Ese momento, asegura, está llegando. A las entidades financieras les toca decidir si participarán en la creación de nuevas herramientas de protección o si volverán a ir a la zaga de los estafadores, con esa cara de quien acaba de encontrar su propia contraseña en una filtración de datos.
PEREC.RU
El artículo aborda el uso de inteligencia artificial generativa especializada para prevenir el fraude financiero. El autor señala que los delincuentes financieros adoptan rápidamente las nuevas tecnologías y a menudo se adelantan a los sistemas de protección. La magnitud del problema queda ilustrada por las cifras de Estados Unidos: más de 87,5 millones de adultos sufren fraudes o estafas financieras cada año, aproximadamente uno de cada tres adultos estadounidenses.
El texto explica que los sistemas tradicionales contra el fraude suelen crear un perfil del comportamiento habitual del cliente mediante características, una red neuronal y la transacción en curso. La operación se compara con ese patrón y una desviación notable puede dar lugar a un bloqueo o a una revisión adicional. El método es eficaz, pero está limitado por los recursos de cálculo y el riesgo de falsas alarmas. Como resultado, a veces se retrasan o rechazan compras legítimas, lo que mina la confianza de los clientes.
El desarrollo de las GPU y otras tecnologías de computación de alto rendimiento permite procesar muchos más datos en tiempo real. En lugar de comparar un pago con un perfil breve, el sistema puede analizar un amplio historial de operaciones del cliente justo cuando se realiza la transacción. Esto debería mejorar la precisión de las predicciones y reducir las alertas erróneas.
El artículo presta especial atención a los transformers, modelos de análisis secuencial empleados en los sistemas modernos de inteligencia artificial. El autor no defiende un modelo universal capaz de realizar cualquier tarea, sino soluciones diseñadas específicamente para analizar transacciones financieras y combatir los delitos financieros. Se entrenan con datos financieros, tienen en cuenta el contexto individual del cliente, funcionan con baja latencia y deben permitir auditar y explicar sus decisiones.
La propuesta consiste en utilizar un conjunto de sistemas especializados independientes en vez de un único modelo enorme. Cada uno puede ocuparse de un tipo concreto de amenaza: el secuestro de cuentas, las tramas de fraude, la detección de «mulas financieras» y los abusos cometidos por el propio cliente, como impugnar indebidamente una operación legítima. En conjunto, estos modelos pueden ofrecer una evaluación del riesgo más precisa y transparente.
Según el autor, el método también puede aplicarse más allá de la detección del fraude. Puede servir para tomar decisiones sobre riesgos, ayudar a clientes con dificultades financieras, cobrar deudas y abordar otros procesos en los que sea importante comprender el contexto del comportamiento de una persona.
El texto concluye que muchas ideas matemáticas para proteger contra el fraude surgieron hace décadas, pero durante mucho tiempo no pudieron aplicarse por falta de potencia de cálculo. Ahora empieza a estar disponible la infraestructura necesaria. Es probable que los próximos cinco años estén marcados por modelos de IA especializados, computación de alto rendimiento y agentes de IA. Las entidades financieras tendrán que decidir si invierten ya en herramientas modernas para proteger a sus clientes o si vuelven a intentar alcanzar a unos delincuentes que ya están acostumbrados a ir más deprisa.
