Puntare sulla GenAI: 3 tecniche per combattere le frodi e i crimini finanziari

I dipartimenti di antifrode, rischio e compliance a livello globale si trovano a fronteggiare un carico di lavoro in continuo aumento, dovuto dalla crescente complessità di frodi e crimini finanziari. Se da un lato la tecnologia AI può essere sfruttata dai frodatori per perpetrate truffe come deepfake, phishing e frodi nei pagamenti, dall’altro offre anche strumenti preziosi per rafforzare le difese delle aziende finanziarie.

Gli esperti antifrode si affidano comunemente a modelli di machine learning per scoprire attività che si adattano a schemi frodatori noti e per identificare tendenze nuove ed emergenti nelle frodi. Oltre a rilevare modalità di frode consolidate, gli algoritmi di machine learning possono prontamente segnalare transazioni sospette quando i truffatori modificano i loro metodi. Gli esperti antifrode utilizzano anche l'elaborazione del linguaggio naturale (NLP) e l'analisi testuale per estrarre dati come il valore della transazione, il luogo in cui è avvenuta, gli indirizzi IP e altri documenti.

Negli ultimi tempi, però, l'attenzione si è spostata verso l'AI generativa in quanto consente di integrare i metodi esistenti, grazie alla sua capacità di rilevare pattern nei dati dei pagamenti che sfuggono sia ai sistemi basati su regole sia alle tradizionali tecniche di intelligenza artificiale predittiva. Una recente survey condotta dall'Association of Certified Fraud Examiners (ACFE) e da SAS ha rilevato che 8 persone su 10 (83%) prevedono di includere l'IA generativa nei loro strumenti antifrode entro il 2025.

Ma in che modo questa tecnologia può davvero aiutare a prevenire frodi e crimini finanziari?
Di seguito alcuni esempi di applicazione della GenAI che può fare la differenza per gli esperti del settore.

La GenAI come assistente digitale per indagare sulle frodi

L’Adaptive Learning migliora il rilevamento e la prevenzione delle frodi consentendo ai sistemi di evolversi in risposta a nuove informazioni e minacce emergenti. I modelli GenAI elaborano i dati in arrivo in tempo reale, imparando da nuove transazioni, da comportamenti e da modelli di frode man mano che si verificano. Questo processo di apprendimento continuo consente all'IA di adattare i propri meccanismi di rilevamento in modo dinamico, migliorando la propria capacità di identificare attività fraudolente con maggiore accuratezza.

Arricchire i modelli di artificial intelligence con la “Behavioural Analysis”

L'analisi comportamentale o Behavioral Analysis osserva e apprende dai comportamenti degli utenti durante le loro interazioni con le piattaforme digitali.

Gli algoritmi GenAI analizzano e integrano vaste serie di dati, come le dinamiche di battitura dei tasti, i movimenti del mouse, le abitudini di esecuzione delle transazioni e/o della routine di accesso, per stabilire una baseline del comportamento normale per ciascun utente. Questo approccio personalizzato consente al sistema di distinguere tra le attività legittime degli utenti e quelle che si discostano in modo significativo dai modelli stabiliti e segnalando e individuando potenziali frodi.

GenAI utilizzata per sfruttare la Threat Intelligence

La threat intelligence migliora le strategie di rilevamento e prevenzione delle frodi integrando informazioni su nuove minacce emergenti da integrare all’interno dei presidi antifrode. Sfruttando una vasta gamma di fonti di dati, tra cui report di settore, bollettini sulla sicurezza e dati sugli incidenti in tempo reale, GenAI, attraverso gli algoritmi di NLP, può apprendere informazioni sugli ultimi schemi di frode e adattare i propri modelli di machine learning di conseguenza. Questa comprensione del contesto consente di anticipare potenziali minacce anziché semplicemente reagire ad esse.

La GenAI come assistente digitale per indagare sulle frodi

Le indagini sulle frodi e sulla compliance comportano in genere l’analisi di un'enorme quantità di dati, tra cui una molteplicità di record finanziari, volumi incalcolabili di transazioni finanziarie e innumerevoli dati di società esterne. L'esame di questo tipo di informazioni non solo richiede molto tempo, ma anche un’attività di estrazione delle informazioni pertinenti (ad esempio, persone chiave, indirizzi, numeri di telefono, relazioni, ecc.)

I modelli linguistici di grandi dimensioni (LLM) sono una forma di GenAI che può aiutare i team investigativi a trovare i data point rilevanti e a collegare i punti in modo più rapido e semplice. Dato il funzionamento degli LLM, non è difficile immaginare come un “assistente digitale” alimentato da LLM possa fornire valore agli esperti antifrode, catalogando e interpretando rapidamente i dati per rispondere alle domande ed estrarre le informazioni più rilevanti. Assistenti digitali di questo tipo possono generare narrazioni sintetiche, evidenziare dettagli chiave, identificare potenziali lacune e conflitti nel processo investigativo e persino suggerire attività di follow-up.

Ciò che distingue questo approccio è la natura adattiva di GenAI. Come altre forme di tecnologia di AI, apprende e si evolve con il feedback dell'utente, affinando costantemente i suoi modelli e fornendo una comprensione contestuale più approfondita all'interno del dominio investigativo. Se fatta bene, questa interazione dinamica può contribuire a garantire accuratezza, spiegabilità e trasparenza in ogni fase del processo.

La sinergia tra AI tradizionale e GenAI amplifica ulteriormente il potenziale di queste tecnologie nelle indagini potenziando e migliorando i presidi antifrode esistenti.

I dati sono la linfa vitale di qualsiasi algoritmo di IA - ma cosa succede quando i dati della banca sono sensibili o non hanno un volume sufficiente? I dati sintetici sono dati generati da algoritmi che imitano i dati del mondo reale. Le organizzazioni utilizzano i dati sintetici generati dall'IA quando i dati reali non sono disponibili, sono inadeguati o inappropriati a causa di:

• Informazioni sensibili o private.
• Costo proibitivo.
• Inefficienza del labeling manuale.
• Bias o squilibrio.
• Carenza di dati in scenari rari.

Secondo Gartner, entro il 2026 il 75% delle aziende utilizzerà la GenAI per creare dati sintetici sui clienti, rispetto a meno del 5% nel 2023. Molte banche stanno già esplorando i casi d'uso.

Un altro recente studio di Gartner sottolinea come i dati sintetici promuoveranno l'inclusione finanziaria arricchendo le decisioni sul rischio di credito e aiutando le banche a migliorare la prevenzione delle frodi e dei reati finanziari. Ad esempio, le aziende finanziarie possono utilizzare i dati sintetici per:

1. Addestrare i propri modelli di machine learning per individuare le frodi o riconoscere modelli di pagamento illeciti indicativi di un potenziale riciclaggio di denaro.
   
   
2. Condurre test di violazione e ridurre i falsi positivi simulando nuovi attacchi di frode.
   
   
3. Condividere in modo sicuro i dati per lo sviluppo e il test del software senza compromettere la privacy o la sicurezza dei dati.

L'uso delle tecnologie di AI segna una tappa significativa nel progresso delle capacità investigative di banche, assicurazioni e altre organizzazioni di servizi finanziari in materia di frodi e crimini finanziari. È una forza trasformativa che può migliorare l’efficacia dei presidi antifrode e aumentare l’efficienza operativa delle investigazioni, contribuendo a contrastare le frodi in modi che prima non erano possibili.

7 ottobre 2024