Hitting the Books: cómo el banco más grande del sudeste asiático utiliza IA para combatir el fraude financiero

Yes, los robots vienen a tomar nuestros trabajos. Eso es algo bueno, deberíamos estar felices porque esos trabajos que están tomando apestan un poco. ¿De verdad quieres volver a los días de a mano monitorear, marcar e investigar las transferencias bancarias diarias del mundo en busca de esquemas de fraude financiero y lavado de dinero? DBS Bank, la institución financiera más grande de Singapur, ciertamente no lo hace. La empresa ha pasado años desarrollando un sistema de aprendizaje automático de última generación que automatiza en gran medida el proceso de "vigilancia de transacciones" afectado por minucias, liberando a los analistas humanos para realizar un trabajo de mayor nivel mientras opera en un delicado equilibrio con las antiguas regulaciones financieras que limitaban la industria. . Es algo fascinante. Trabajar con IA por Thomas H. Davenport y Steven M. Miller está lleno de estudios de casos similares de innumerables industrias tecnológicas, que analizan la colaboración común entre humanos e IA y brindan información sobre las posibles implicaciones de estas interacciones. 

Extraído de Trabajar con IA: historias reales de colaboración hombre-máquina por Thomas H. Davenport y Steven M. Miller. Reimpreso con permiso de The MIT Press. Derechos de autor 2022.

DBS Bank: Vigilancia de transacciones impulsada por IA

Desde la aprobación de la Ley de Secreto Bancario, también conocida como Ley de Informe de Transacciones Extranjeras y Moneda, en los EE. UU. en 1970, los bancos de todo el mundo han sido responsabilizados por los gobiernos por prevenir el lavado de dinero, los flujos transfronterizos sospechosos de grandes cantidades de dinero y otros tipos de delitos financieros. DBS Bank, el banco más grande de Singapur y del sudeste asiático, se ha centrado durante mucho tiempo en la lucha contra el lavado de dinero (AML) y la detección y prevención de delitos financieros. Según un ejecutivo de cumplimiento de DBS, “Queremos asegurarnos de tener controles internos estrictos dentro del banco para que los perpetradores, los lavadores de dinero y los evasores de sanciones no penetren en el sistema financiero, ya sea a través de nuestro banco, a través de nuestro sistema nacional. , o internacionalmente.”

Las limitaciones de los sistemas basados ​​en reglas para el monitoreo de vigilancia

Al igual que en otros grandes bancos, el área de DBS que se enfoca en estos temas, llamada “vigilancia de transacciones”, ha aprovechado la IA durante muchos años para hacer este tipo de trabajo. Las personas en esta función evalúan las alertas generadas por un sistema basado en reglas. Las reglas evalúan los datos de transacciones de muchos sistemas diferentes en todo el banco, incluidos los de consumidores, gestión de patrimonio, banca institucional y sus pagos. Todas estas transacciones fluyen a través del sistema basado en reglas para la detección, y las reglas marcan las transacciones que coinciden con las condiciones asociadas con una persona o entidad que realiza transacciones sospechosas con el banco, aquellas que involucran un posible evento de lavado de dinero u otro tipo de fraude financiero. Los sistemas basados ​​en reglas, en el pasado conocidos como "sistemas expertos", son una de las formas más antiguas de IA, pero todavía se usan ampliamente en la banca y los seguros, así como en otras industrias.

En DBS y en la mayoría de los demás bancos del mundo, los sistemas de vigilancia de transacciones financieras basados ​​en reglas de este tipo generan una gran cantidad de alertas todos los días. La principal deficiencia de los sistemas de vigilancia basados ​​en reglas es que la mayoría (hasta el 98 %) de las alertas generadas son falsos positivos. Algún aspecto de la transacción desencadena una regla que hace que la transacción se marque en la lista de alertas. Sin embargo, después de una investigación de seguimiento por parte de un analista humano, resulta que la transacción alertada en realidad no es sospechosa.

Los analistas de vigilancia de transacciones deben hacer un seguimiento de cada alerta, observando toda la información relevante de la transacción. También deben considerar los perfiles de las personas involucradas en la transacción, sus comportamientos financieros pasados, lo que hayan declarado en los documentos de "conozca a su cliente" y de diligencia debida del cliente, y cualquier otra cosa que el banco pueda saber sobre ellos. El seguimiento de las alertas es un proceso que requiere mucho tiempo.

Si el analista confirma que una transacción es justificadamente sospechosa o verificada como fraude, el banco tiene la obligación legal de emitir un Informe de actividad sospechosa (SAR) a las autoridades correspondientes. Esta es una decisión de alto riesgo, por lo que es importante que el analista lo haga bien: si es incorrecta, los clientes bancarios respetuosos de la ley podrían recibir una notificación incorrecta de que están siendo investigados por delitos financieros. Por otro lado, si no se detecta y denuncia un “mal actor”, podría generar problemas relacionados con el lavado de dinero y otros delitos financieros.

Al menos por ahora, los sistemas basados ​​en reglas no se pueden eliminar porque las autoridades reguladoras nacionales en la mayoría de los países todavía los exigen. Pero los ejecutivos de DBS se dieron cuenta de que hay muchas fuentes adicionales de información interna y externa disponibles que, si se usan correctamente, podrían aplicarse para evaluar automáticamente cada alerta del sistema basado en reglas. Esto podría hacerse usando ML, que puede manejar patrones más complejos y hacer predicciones más precisas que los sistemas basados ​​en reglas.

Uso de la nueva generación de capacidades de IA para mejorar la vigilancia

Hace algunos años, DBS inició un proyecto para aplicar la nueva generación de capacidades de IA/ML en combinación con el sistema de detección basado en reglas existente. La combinación permitiría al banco priorizar todas las alertas generadas por el sistema basado en reglas de acuerdo con una puntuación de probabilidad calculada numéricamente que indica el nivel de sospecha. El sistema ML fue entrenado para reconocer situaciones sospechosas y fraudulentas a partir de datos y resultados recientes e históricos. En el momento de nuestras entrevistas, el nuevo sistema de filtrado basado en ML había estado en uso durante poco más de un año. El sistema revisa todas las alertas generadas por el sistema basado en reglas, asigna a cada alerta una puntuación de riesgo y clasifica cada alerta en categorías de riesgo alto, medio y bajo. Este tipo de “post-procesamiento” de las alertas basadas en reglas permite al analista descifrar cuáles priorizar inmediatamente (aquellas en las categorías de riesgo alto y medio) y cuáles pueden esperar (aquellas en la categoría de riesgo más bajo) . Una capacidad importante de este sistema ML es que tiene un explicador que muestra al analista la evidencia utilizada para realizar la evaluación automatizada de la probabilidad de que la transacción sea sospechosa. La explicación y la navegación guiada proporcionada por el modelo AI/ML ayudan al analista a tomar la decisión de riesgo correcta.

DBS también desarrolló otras capacidades nuevas para respaldar la investigación de transacciones alertadas, incluido un sistema Network Link Analytics para detectar relaciones y transacciones sospechosas entre múltiples partes. Las transacciones financieras se pueden representar como un gráfico de red que muestra a las personas o cuentas involucradas como nodos en la red y cualquier interacción como los enlaces entre los nodos. Este gráfico de red de relaciones se puede utilizar para identificar y evaluar patrones sospechosos de entradas y salidas financieras.

Paralelamente, DBS también reemplazó un enfoque intensivo en mano de obra para el flujo de trabajo de investigación con una nueva plataforma que automatiza para el analista gran parte del soporte para la investigación relacionada con la vigilancia y la gestión de casos. Llamado CRUISE, integra los resultados del motor basado en reglas, el modelo de filtro ML y el sistema Network Link Analytics.

Además, el sistema CRUISE brinda al analista un acceso fácil e integrado a los datos relevantes de todo el banco necesarios para realizar un seguimiento de las transacciones que el analista está investigando. Dentro de este entorno CRUISE, el banco también captura todos los comentarios relacionados con el trabajo del analista en el caso, y estos comentarios ayudan a mejorar aún más los sistemas y procesos de DBS.

Impacto en el analista

Por supuesto, estos desarrollos hacen que los analistas sean mucho más eficientes en la revisión de alertas. Hace algunos años, no era raro que un analista de vigilancia de transacciones de DBS pasara dos horas o más investigando una alerta. Este tiempo incluyó el tiempo de preparación inicial para obtener datos de múltiples sistemas y recopilar manualmente transacciones pasadas relevantes, y el tiempo de análisis real para evaluar la evidencia, buscar patrones y tomar la decisión final sobre si apareció o no la alerta. ser una transacción sospechosa de buena fe.

Después de la implementación de múltiples herramientas, incluidas CRUISE, Network Link Analytics y el modelo de filtro basado en ML, los analistas pueden resolver alrededor de un tercio más de casos en la misma cantidad de tiempo. Además, para los casos de alto riesgo que se identifican con estas herramientas, DBS puede atrapar a los "malos actores" más rápido que antes. 

Comentando cómo esto difiere de los enfoques de vigilancia tradicionales, el jefe de vigilancia de transacciones de DBS compartió lo siguiente:

Hoy en DBS, nuestras máquinas pueden recopilar los datos de soporte necesarios de varias fuentes en todo el banco y presentarlos en la pantalla de nuestro analista. Ahora el analista puede ver fácilmente la información de respaldo relevante para cada alerta y tomar la decisión correcta sin buscar en sesenta sistemas diferentes para obtener los datos de respaldo. Las máquinas ahora hacen esto para el analista mucho más rápido que un ser humano. Hace la vida de los analistas más fácil y sus decisiones mucho más precisas.

En el pasado, debido a limitaciones prácticas, los analistas de vigilancia de transacciones podían recopilar y usar solo una pequeña fracción de los datos dentro del banco que eran relevantes para revisar la alerta. Hoy en DBS, con nuestras nuevas herramientas y procesos, el analista puede tomar decisiones basadas en el acceso instantáneo y automático a casi todos los datos relevantes dentro del banco sobre la transacción. Ven estos datos, bien organizados de manera resumida en su pantalla, con una puntuación de riesgo y con la ayuda de un explicador que los guía a través de la evidencia que condujo al resultado del modelo.

DBS invirtió en un "mejoramiento" del conjunto de habilidades en todo el personal que participó en la creación y el uso de estos nuevos sistemas de vigilancia. Entre el personal que se benefició de la capacitación se encontraban los analistas de vigilancia de transacciones, que tenían experiencia en la detección de delitos financieros y estaban capacitados en el uso de la nueva plataforma tecnológica y en las habilidades de análisis de datos relevantes. Los equipos ayudaron a diseñar los nuevos sistemas, comenzando con el trabajo inicial para identificar las tipologías de riesgo. También proporcionaron información para identificar los datos que tenían más sentido de usar y dónde el análisis de datos automatizado y las capacidades de ML podrían ser más útiles para ellos.

Cuando se le preguntó cómo afectarían los sistemas a los analistas de transacciones humanas en el futuro, el ejecutivo de cumplimiento de DBS dijo:

La eficiencia siempre es importante, y siempre debemos esforzarnos por alcanzar niveles más altos. Queremos manejar los aspectos basados ​​en transacciones de nuestra carga de trabajo de vigilancia actual y futura con menos personas, y luego reinvertir la capacidad liberada en nuevas áreas de vigilancia y prevención de fraude. Siempre habrá dimensiones desconocidas y nuevas de mal comportamiento financiero y malos actores, y necesitamos invertir más tiempo y más personas en este tipo de áreas. En la medida de lo posible, lo haremos reinvirtiendo las ganancias de eficiencia que logramos dentro de nuestros esfuerzos de vigilancia de transacciones más estándar.

La próxima fase de vigilancia de transacciones

La aspiración general del banco es que la vigilancia de transacciones sea más integrada y proactiva. En lugar de depender únicamente de las alertas generadas por el motor basado en reglas, los ejecutivos quieren hacer uso de múltiples niveles de vigilancia de riesgos integrados para monitorear holísticamente desde los niveles de "transacción a cuenta, cliente, red y macro". Esta combinación ayudaría al banco a encontrar más malos actores y hacerlo de manera más efectiva y eficiente. El ejecutivo de cumplimiento elaboró:

Es importante tener en cuenta que los lavadores de dinero y los evasores de sanciones siempre encuentran nuevas formas de hacer las cosas. Nuestra gente necesita trabajar con nuestra tecnología y capacidades de análisis de datos para mantenerse a la vanguardia de estas amenazas emergentes. Queremos liberar el tiempo que nuestra gente ha estado dedicando a los tediosos aspectos manuales de la revisión de alertas y utilizar ese tiempo para mantener el ritmo de las amenazas emergentes.

Los analistas humanos seguirán desempeñando un papel importante en la vigilancia de transacciones AML, aunque la forma en que utilizan su tiempo y su experiencia humana seguirán evolucionando.

El ejecutivo de cumplimiento también compartió una perspectiva sobre la IA: “Es realmente inteligencia aumentada, en lugar de IA automatizada en la vigilancia de riesgos. No creemos que podamos eliminar el juicio humano de las decisiones finales porque siempre habrá un elemento subjetivo en las evaluaciones de lo que es y no es sospechoso en el contexto del lavado de dinero y otros delitos financieros. No podemos eliminar este elemento subjetivo, pero podemos minimizar el trabajo manual que realiza el analista humano como parte de la revisión y evaluación de las alertas”.

Lecciones que aprendimos de este caso

• Un sistema automatizado que genera una gran cantidad de alertas, la mayoría de las cuales resultan ser falsos positivos, no ahorra trabajo humano.

• Se pueden combinar múltiples tipos de tecnología de IA (en este caso, reglas, ML y Network Link Analytics) para mejorar las capacidades del sistema.

• Es posible que las empresas no reduzcan la cantidad de personas que realizan un trabajo, incluso cuando el sistema de IA mejora sustancialmente la eficiencia de hacerlo. Más bien, los empleados pueden usar el tiempo liberado para trabajar en tareas nuevas y de mayor valor en sus trabajos.

• Dado que siempre habrá elementos subjetivos en la evaluación de transacciones comerciales complejas, es posible que no se elimine el juicio humano del proceso de evaluación.