La próxima generación de herramientas contra el blanqueo de capitales: robótica, análisis semántico
y la IA

El anti-blanqueo de capitales (AML, por sus siglas en inglés) ha sido un tema candente —y un punto cada vez más delicado desde el punto de vista normativo— para las instituciones financieras durante décadas. Por ejemplo, la Ley USA PATRIOT amplió los requisitos de detección e información. La «Norma Final» 504 de Nueva York añadió expectativas de control más granulares y estrictas. Y la Quinta Directiva de la UE contra el Blanqueo de Capitales (5AMLD), pendiente de aprobación, obliga a las empresas europeas a cumplir una normativa más estricta que la estadounidense.

Pocas instituciones financieras están realmente preparadas. Se habla mucho de llevar el arsenal de la lucha contra el blanqueo de capitales al siguiente nivel, aprovechando avances como la robótica, el análisis semántico y la inteligencia artificial (IA). Se trata de hacer que los procesos de lucha contra el blanqueo de capitales sean más automatizados, eficientes y eficaces. Y se trata de aumentar los enfoques tradicionales basados en reglas para reducir la tasa de falsos positivos y detectar y predecir con mayor precisión las actividades que merece la pena investigar.

Gran parte del trabajo de los últimos 18 meses ha consistido en aplicar la IA a algunas tareas de poca monta, como el uso de la automatización robótica de procesos para investigar y preparar casos con mayor rapidez. Sin embargo, a partir de 2018 estamos empezando a ver la adopción del aprendizaje automático no solo para la automatización de procesos, la puntuación y la hibernación, sino para complementar o incluso reemplazar la lógica booleana tradicional para detectar actividades potencialmente sospechosas.

Diez claves para el éxito de la anti-blanqueo de capitales basada en el aprendizaje automático

• Innovar, pero con precaución. Una declaración conjunta de diciembre de 2018 emitida por las autoridades estadounidenses instó a las instituciones financieras a «considerar, evaluar y, cuando corresponda, implementar responsablemente enfoques innovadores» para cumplir con las obligaciones de cumplimiento de anti-blanqueo de capitales o dinero. Sin embargo, hay un mensaje claro para hacer esto en un entorno de pruebas experimental o en paralelo hasta que se prueben nuevos enfoques.
• Establecer una gobernanza rigurosa del modelo. ¿Siguen funcionando los algoritmos? ¿Se están acelerando o hibernando adecuadamente los casos? ¿Se supervisan y ajustan los modelos según sea necesario? Especialmente fuera de Estados Unidos, no se hace suficiente hincapié en este nivel de control. A menudo, solo cuando un banco tiene problemas y aparece en las noticias se plantean cuestiones sobre la gobernanza del riesgo de modelo.
• Compartir datos de forma segura a través de las fronteras. Antes de que el sector pueda adoptar el aprendizaje automático de forma significativa, necesitamos ser capaces de compartir datos de forma segura a través de las fronteras en un mundo RGPD. Necesitamos tecnologías como el cifrado homomórfico (que permite realizar cálculos sobre los datos sin desencriptarlos) para evolucionar del ámbito teórico al mundo real.
• Considerar un enfoque híbrido. Nadie está preparado para abandonar sus sistemas basados en reglas y sustituirlos totalmente por modelos analíticos y robótica. Estamos viendo un enfoque híbrido. Utiliza las normas cuando sean necesarias y los modelos cuando no lo sean. Los modelos analíticos destacan en situaciones que exigen discernir patrones complejos a partir de comportamientos bien definidos.
• Fijarse bien en la base de datos. La IA y el aprendizaje automático pueden dar un enorme impulso al rendimiento de los procesos de anti-blanqueo de capitales. Pero no tiene sentido utilizarlos con datos malos, porque no vas a sacar nada de ellos. Incluso en los grandes bancos, los problemas de calidad de los datos son endémicos. Muchos siguen teniendo dificultades para obtener una visión única del cliente desde la perspectiva del riesgo.
• Adoptar un enfoque más analítico de la segmentación. Sé más riguroso que la simple división de clientes personales y comerciales, o la clasificación por volumen de transacciones. El clústering K-means —un popular algoritmo de aprendizaje automático— agrupa entidades basándose en las interacciones entre variables. Un cliente de SAS con visión de futuro utilizó una segmentación más inteligente para aumentar los índices de productividad del 2,8 % al 10,4 %.
• Centrarse en lo que importa, aplazar lo que pueda importar más tarde. Concentra el tiempo de los investigadores en las alertas que más merecen la pena. Las funciones de remisión automática o hibernación utilizan un motor de inteligencia artificial para calcular una puntuación de riesgo basada en múltiples y complejas variables y categorías de riesgo, con el fin de acelerar o aplazar la escalada de una alerta para su revisión.
• Utilizar el aprendizaje automático para detectar sucesos poco frecuentes. Un modelo de aprendizaje no supervisado puede mover enormes volúmenes de datos para encontrar un elemento de riesgo desconocido que sería difícil de hallar con los métodos tradicionales. No es necesario saber si una determinada persona o entidad es buena o mala, sino cuáles son «casos extremos», que se comportan fuera de la norma en relación con sus iguales.
• Integrar buenas prácticas en paquetes reutilizables. A medida que aprendemos de los proyectos piloto, hemos empaquetado las buenas prácticas en un bot que automatiza la creación, publicación y reentrenamiento de modelos de aprendizaje automático. Preselecciona variables y recomienda los modelos más adecuados basándose en el muestreo de sucesos poco frecuentes. El resultado: análisis más significativos con menos esfuerzo por parte de los científicos de datos.
• Integrar los sistemas y procesos de delitos financieros. El futuro del anti-blanqueo de capitales consistirá en hacer converger las funciones del anti-blanqueo de dinero, fraude, ciberseguridad y otros riesgos en un entorno central y unificado con orquestación de datos integrada, desarrollo analítico, toma de decisiones, gestión de casos, elaboración de informes y gobernanza, y disponer de un flujo de trabajo completo y totalmente resuelto entre ellas.

Las instituciones financieras innovadoras ya están cosechando los beneficios

He aquí algunas formas en que los bancos están aplicando estos nuevos enfoques:

• Un banco estadounidense de nivel 2 sustituyó 10 escenarios de actividad en efectivo de su sistema de supervisión de transacciones por un modelo de red neuronal de SAS y triplicó las tasas de conversión SAR, al tiempo que redujo los elementos de trabajo mensuales en un 50 %.
• Un banco mundial de primer nivel aplicó un modelo de bosque aleatorio con 200 árboles a cerca de 2000 millones de transacciones y, en 10 minutos encontró 416 entidades sospechosas que, tras un triaje posterior, dieron lugar a docenas de casos productivos.
• Otro banco global de primer nivel utilizó la automatización basada en el aprendizaje automático para ayudar a automatizar la revisión de documentos de diligencia debida, reduciendo el esfuerzo de dos semanas de tiempo del personal a menos de un minuto.
• Un banco de Asia-Pacífico recurrió al incremento gradiente y a las redes neuronales profundas para automatizar la revisión de alertas y redujo los falsos positivos en un 33 %.

El anti-blanqueo de capitales de nueva generación está pasando a un primer plano a medida que el sector experimenta una transformación digital masiva y que los reguladores siguen elevando su definición de control y gobernanza «razonables». La robótica, el análisis semántico y la inteligencia artificial (y en particular el aprendizaje automático) serán fundamentales para esta evolución.

A medida que avanza la tecnología, la barrera de entrada ha disminuido hasta el punto en que está al alcance de instituciones más pequeñas. No es necesario contar con un ejército de científicos de datos en tu plantilla. SAS está creando ciencia de datos anti-blanqueo de capitales avanzada en un paquete para automatizar procesos manuales repetitivos, detectar actividad sospechosa con mayor precisión y poner estas capacidades de manera rentable en manos de más organizaciones de servicios financieros.