La Automatización de Procesos Robóticos (RPA), potenciada desde el Machine Learning para la gestión de alertas AML

Las instituciones financieras deben destinar, entre sus recursos, un importante presupuesto para la gestión de prevención de lavado de activos y fraude.  Entonces, pensar en cómo disminuir el costo y el tiempo para la gestión de alertas AML a través de la automatización de procesos, ha sido un tema de interés en los últimos años.

El Machine Learning, una herramienta clave para mejorar la calidad de las alertas

La Automatización de Procesos Robóticos (RPA), hace referencia a los softwares que se programan para la ejecución de tareas repetitivas, como la recolección de datos y la generación de procesos. Aunque en sus inicios, estos sistemas estaban basados en modelos operativos que funcionaban a través de reglas embebidas, las cuales eran establecidas por expertos, basadas en su propia experiencia. A medida que cambiaban los tiempos, más reglas se requerían, y la creación y seguimiento de las excepciones lanzadas, hacían extremadamente difícil la revisión del rendimiento de todas las reglas. (Zhiyuan, Le Dinh Van, Ee Na, & Amril, 2018)

Las herramientas de Machine Learning en la automatización de procesos AML, tienen como objetivo mejorar la precisión, permitiendo el aprendizaje sobre los datos ingresados. Paralelamente, aportan generalización a la información en la etapa de entrenamiento, y reconoce de forma automática los límites entre decisiones. Además, a través del aprendizaje obtenido en la etapa de entrenamiento del modelo, se permite extrapolar a otros escenarios, a diferencia del sistema basado en reglas, que requería del conocimiento de un experto para generar pautas en nuevos escenarios.

La efectividad y rigurosidad con que se administren este tipo de procesos permite identificar las operaciones más sofisticadas y complejas, por lo que, el Machine Learning se ha considerado una pieza clave en la manera de mejorar la calidad de las alertas y de etiquetar las transacciones sospechosas

Es importante tener en cuenta que durante la primera etapa en la automatización de procesos AML, se requiere una preparación de los datos, lo cual incluye la definición de la estructura, la creación de una base de perfiles de individuos, la consolidación de una base de transacciones, además de la generación de nuevos y significativos atributos; sin olvidar el tratamiento de los datos faltantes.

Algoritmos de Machine Learning usados en la automatización de procesos AML

Es importante para las instituciones definir qué desean automatizar y en cuánto desean reducir el tiempo que les toma evaluar una alerta, además sopesar los beneficios de calidad, consistencia y estandarización. 

Las herramientas de Machine Learning utilizadas en la automatización de procesos AML, generalmente se encuentran en dos categorías: técnicas supervisadas y no supervisadas. Las técnicas supervisadas, se basan en el aprendizaje de datos previamente etiquetados, por ejemplo, la etiqueta puede ser Normal o Sospechosa, o ser una variable binaria. El modelo supervisado, es utilizado posteriormente para clasificar en categorías nueva data. Por otro lado, las técnicas no supervisadas, tratan de separar la data en diferentes grupos, que sostengan un patrón o características similares, en este también se puede hacer uso de data etiquetada con el fin de comparar los resultados finales del modelo.

De acuerdo con Zhiyuan, Le Dinh Van, Ee Na, & Amril, el proceso de implementación de Machine Learning no solo debe prestar atención a los algoritmos usados, también se debe hacer énfasis en asegurar la calidad de la data, y en el caso de presentarse un gran volumen de datos, como es habitual en las entidades financiares, se sugiere refinamiento en los procesos a través de la eliminación de registros similares o la generación de data sintética apropiada; con el fin de mejorar el rendimiento de los procesos. 

De forma alternativa, está la perspectiva de utilizar algoritmos semi-supervisados, para apoyarse en el procesamiento de data de gran volumen, o implementar del grupo de datos, una data de aprendizaje.

El aporte de Stradata AML

Desde Stradata AML, se han desarrollado diferentes soluciones orientadas a la optimización de tiempos de análisis y evaluación en la gestión de riesgo, buscando brindar herramientas tecnológicas que suplan las necesidades para la prevención de riesgo de lavado de dinero.

Autor: E. Restrepo.

Fuente: Chen, Z., Teoh, E. N., Nazir, A., Karuppiah, E. K., & Lam, K. S. (2018). Machine learning techniques for anti-money laundering (AML) solutions in suspicious transaction detection: a review. Knowledge and Information Systems57(2), 245-285.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *