Por: W.Casas
Una herramienta Sarlaft que actualmente muchas compañías están implementando para optimizar el análisis de grandes volúmenes de información en sus procesos de cumplimiento, es el Machine Learning.
¿Sabes qué es y cómo funciona?
Definición de Machine Learning
Para definir el concepto de Machine Learning, hay que devolvernos un poco en la historia; específicamente a 1950 cuando Alan Turing (Padre de la computación y precursor de la Inteligencia Artificial), creó el “Test de Turing”, el cual es una prueba para determinar si una máquina puede o no puede pensar. Sin ir más lejos, Turing toma como inspiración un juego de imitación donde una persona debe interrogar a un hombre y a una mujer para determinar quién es la mujer. Así mismo, el “Test de Turing” se concibe como un experimento que consiste en interrogar a una persona y una máquina para determinar quién es la máquina poniendo a prueba la inteligencia que ésta posee.
Por consiguiente, el Machine Learning es una aplicación de la Inteligencia Artificial, la cual provee a los sistemas la habilidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programada explícitamente. Es decir, son “robots” que tienen la capacidad de aprender a realizar una tarea, mejorar su rendimiento y presentar mejores resultados posiblemente superiores que los de un humano.
¿Cómo puede ser esto una herramienta Sarlaft que ayuda a mejorar los procesos AML de las compañías?
En la actualidad empresas como Google, Amazon, IBM y Microsoft enfocan parte de su investigación en la Inteligencia Artificial y ofrecen productos que trabajan con Machine Learning.
En Stradata, no somos la excepción, y por eso, hemos enfocado todos nuestros esfuerzos en desarrollar herramientas Sarlaft con métodos y algoritmos que puedan aprender y mejorar tareas humanas, para automatizar diferentes procesos de cumplimiento AML.
Gracias a que con el Machine Learning básicamente las máquinas adquieren la capacidad de observar datos, ver ejemplos, dar instrucciones y hasta vivir experiencias en las que identifican patrones con las que en un futuro puede tomar las mejores decisiones basadas en la información y experiencia que ha adquirido; procesos como la extracción de datos, la detección de inusualidades y la validación de contrapartes se pueden hacer de manera más eficiente con nuestras soluciones AML.
En el caso de las herramientas Sarlaft en las que aplicamos Machine Learning, necesitamos saber qué método utilizar, debido a que tenemos dos tipos aprendizaje: El Supervisado y No Supervisado.
El aprendizaje supervisado consiste en entregar a la máquina información etiquetada, con el fin de que esta aprenda a clasificar. Por ejemplo, en un caso de clasificación de imágenes se le entrega a la máquina ilustraciones de las diferentes razas de perros y la máquina conocerá todas estas variantes e identificará patrones en dichas razas para que en un futuro, cuando le enseñen una nueva, esta determine cuál es o si debe aprenderla.
Con el aprendizaje no supervisado, no se le entrega información etiquetada a la máquina, sino que se le dan criterios y características para que realice la clasificación, extrayendo la estructura y patrones de cada reto y aprendiendo de estos. Este método es usado comúnmente para clustering y detección de anomalías.
Gracias a sus características y utilidades, es que el Machine Learning se ha convertido en una herramienta Sarlaft que permite el análisis de cantidades masivas de datos.
Las soluciones que aplican esta tecnología, generalmente proporcionan resultados rápidos y precisos con los que es posible identificar oportunidades rentables o riesgos LAFT que puedan afectar a las compañías.
En conclusión, la combinación del Machine Learning, la Inteligencia Artificial y las tecnologías cognitivas, puede hacer que sea aún más efectivo y optimizado el procesamiento de grandes volúmenes de información para el análisis de datos en las áreas de cumplimiento y procesos de vinculación de clientes y contrapartes.
Para dejar aún más claro este concepto y su aplicación como herramienta Sarlat, te invitamos a ver en el siguiente vídeo, un ejemplo de cómo se aplica Machine Learning en un caso de Anti-Money Laundering.
¡Déjanos tus comentarios!
[vc_row css_animation=”” row_type=”row” use_row_as_full_screen_section=”no” type=”in_container” angled_section=”no” text_align=”left” background_image_as_pattern=”without_pattern” full_screen_row_position=”middle” scene_position=”center” text_color=”dark” overlay_strength=”0.3″ shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_position=”all” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_link_target=”_self” column_shadow=”none” column_border_radius=”none” tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” column_border_width=”none” column_border_style=”solid” bg_image_animation=”none”][vc_video link=”https://youtu.be/awR1PR5aQa4″ align=”center” css=”.vc_custom_1570545428490{padding-right: 80px !important;padding-left: 80px !important;}”][/vc_column][/vc_row]
