Detección de Fraude Mediante Inteligencia Artificial

Los bancos pierden miles de millones de dólares por fraude cada año. De hecho, según la Asociación de Examinadores de Fraude Certificados (ACFE), los bancos y otras organizaciones pierden anualmente al menos el 5% de sus ingresos por fraude.

Estados Unidos pierde al menos $200 mil millones por fraude cada año. El fraude se ha vuelto más fácil con el avance de la tecnología y le cuesta a los consumidores más que nunca. Por eso los bancos tradicionales gastan millones en tecnologías antifraude, analistas que estudian la industria advierten que los bancos están perdiendo esta carrera armamentista.

Según KPMG , los costos de fraude están aumentando a un ritmo más rápido de lo que los bancos están gastando en la gestión del fraude. Esto exige un cambio radical en la prevención y detección del fraude, de lo contrario, el modelo de negocio bancario se volverá insostenible.

Afortunadamente para la industria bancaria, fintech, que durante un tiempo fue vista como una amenaza directa y un competidor, está emergiendo como el salvador más probable. Las empresas Fintech y las nuevas empresas como Zafin, Backbase, Shield y otras están utilizando el aprendizaje automático y la inteligencia artificial para abordar el problema del fraude.

¿Qué es la detección de fraude?

La detección de fraude es el proceso de identificar actividad fraudulenta, ya sea un intento de cometer fraude o un fraude real que haya tenido lugar. El fraude puede tomar muchas formas, como fraude con tarjetas de crédito, fraude de seguros o fraude de transacciones. Las instituciones financieras, los minoristas y otras empresas pierden miles de millones de dólares cada año directa e indirectamente debido al fraude.

Perder dinero directamente tiene sentido. Cualquier caso de fraude, como la piratería o el robo de cajeros automáticos, es un fraude directo con el banco. La pérdida indirecta de dinero por fraude se refiere a la identificación falsa de transacciones legítimas como fraudulentas. Esto sucede principalmente cuando las medidas de detección de fraude son tan altas que incluso las transacciones legítimas son marcadas como fraudulentas por el sistema. Los bancos pierden aproximadamente $118 millones por año debido a tales alertas falsas.

Además, el costo de prevenir el fraude no es estático. El costo de prevenir el fraude con tarjetas de crédito en línea aumenta con el tiempo a medida que los piratas informáticos mejoran en su trabajo. Según el Informe de Costo del Fraude 2017 emitido por LexisNexis, el 81% de las instituciones financieras informaron que ahora sería más costoso prevenir transacciones fraudulentas que en 2015.

Tecnologías utilizadas en la Detección de Fraude

Los bancos ya están utilizando el aprendizaje automático y la IA para la detección de fraudes. El aprendizaje automático es una aplicación de inteligencia artificial (IA) en la que los programas pueden aprender por sí solos, volviéndose automáticamente más precisos en la predicción de resultados sin programación explícita. Por ejemplo, el programa podría identificar transacciones fraudulentas más rápido que un humano e incluso podría aprender a prevenir el fraude mejor que los humanos.

La IA es la simulación de procesos de inteligencia humana por parte de máquinas, especialmente sistemas informáticos. Estos procesos incluyen el aprendizaje (la adquisición de información y reglas para usar la información), el razonamiento (uso de reglas para llegar a conclusiones aproximadas o definitivas) y la autocorrección. La inteligencia artificial se ha vuelto más popular porque los avances tecnológicos recientes han hecho posible incorporar la IA en los sistemas informáticos.

Tendencias en la detección de fraude

A medida que el aprendizaje automático y la inteligencia artificial continúan mejorando, se ven más avances en el campo de la detección de fraudes. El alcance de estos cambios no se puede predecir con exactitud, pero algunos investigadores han dado sugerencias sobre posibles nuevos usos de la tecnología.

Detección de anomalías

Según muchos investigadores, la IA podría utilizarse para detectar anomalías en el comportamiento de los clientes. Si se identificara un determinado patrón como inusual, se marcaría para una inspección manual.

La “detección de anomalías” también puede desempeñar un papel en la mejora del software de detección de fraudes. Una anomalía es algo que no coincide con una norma o patrón esperado. Si hay anomalías en el comportamiento del cliente que se marcan como potencialmente fraudulentas, entonces se puede determinar que probablemente se haya producido un fraude.

Zafin se ha asociado con las principales instituciones bancarias de todo el mundo, incluidas Barclays, HSBC y Deutsche Bank. Muchos de estos bancos han sufrido pérdidas significativas debido al fraude en los últimos años. Los algoritmos patentados de la empresa detectan una amplia gama de actividades fraudulentas, incluido el lavado de transacciones y la apropiación de cuentas.

Backbase ha estado operando en secreto durante años para crear su solución de “Prevención de fraude invisible”. Según las fuentes, esta herramienta utiliza aprendizaje automático e inteligencia artificial para identificar anomalías en el comportamiento del cliente, así como lógica basada en reglas para determinar si

Dinámica social

Los investigadores también sugieren que la “dinámica social en línea” puede ofrecer una visión única de la detección del fraude. Esto se basa en la idea de que “los agentes en las redes sociales tienden a formar comunidades con preferencias, normas y relaciones de confianza. Estas conexiones podrían usarse para identificar fraudes”.

La línea entre el análisis dinámico social en línea y la vigilancia del crédito social es muy delgada. China ha implementado con éxito un sistema de vigilancia basado en el crédito social en Shenzhen, que se ha convertido en la capital tecnológica de China. Si esto es bueno o malo, es un debate diferente.

Análisis biométrico

La biometría no es un concepto nuevo, pero la implementación de esta tecnología está evolucionando utilizando la ciencia de datos y el aprendizaje automático para hacerla aún más segura. Por ejemplo, los programas de reconocimiento facial pueden identificar usuarios individuales a través de rasgos faciales específicos, lo que significa que ya no se necesitan contraseñas.

El análisis biométrico de voz es otra idea que sugieren los investigadores. Esto funciona mediante el uso de software para analizar la voz de un cliente y puede detectar el fraude en función de si coincide o no con la información anterior almacenada en el archivo. Un ejemplo de este tipo de tecnología en uso es AIT Group, que brinda servicios a algunos bancos de Malasia. Al escanear 200 puntos de datos, como el tono y el tono de la voz, el software de AIT puede realizar una “prueba de phishing en vivo” mientras los clientes llaman para hacer consultas.

Al usar estas tecnologías, los bancos podrán identificar mejor el posible fraude antes de que suceda, lo que reducirá las pérdidas.

La detección de fraudes es una consideración importante para las instituciones financieras, pero las técnicas antiguas ya no son suficientes para mantenerse al día con las estafas más recientes. La era de la prevención del fraude de “fuerza bruta” ha dado paso a un enfoque más matizado que utiliza el aprendizaje automático y la tecnología de inteligencia artificial de formas nuevas y creativas.

En este artículo, hemos discutido cómo estas tecnologías pueden ayudar a los bancos a identificar anomalías o cambios en el comportamiento del cliente que pueden indicar actividad fraudulenta, ¡antes de que suceda!