Los delincuentes no siguen las reglas y, a menudo, adoptan nuevas tecnologías para explotar las brechas en los entornos de control. Es por eso que logran obtener enormes ganancias de las operaciones de fraude y lavado de dinero. En sus esfuerzos por prevenir el lavado de dinero y otras actividades delictivas, muchas instituciones financieras verán limitadas sus capacidades programáticas contra el lavado de dinero al tener sistemas heredados anticuados, muchos de los cuales se basan únicamente en reglas.
La verdad sobre el lavado de dinero
Las actividades de lavado de dinero mantienen en esclavitud a aproximadamente 40,3 millones de personas en todo el mundo, alimentan la corrupción política y financian el terrorismo.
El valor estimado del lavado de dinero global es
$ 800 mil millones / año
hasta $ 2 billones / año
Considerando las consecuencias, no es de extrañar que los gobiernos promulguen regulaciones contra el lavado de dinero.
Estas regulaciones tienen intenciones honorables e importantes, pero no se puede negar los dolores de cabeza de cumplimiento en constante evolución que crean para las instituciones financieras.
Además, a pesar de estas regulaciones, el lavado de dinero sigue creciendo debido a la tecnología. Según las Naciones Unidas contra la Droga y el Delito, los avances en tecnología y comunicaciones han creado un sistema global perpetuamente operativo en el que el dinero, que ahora aparece en forma virtual o digital, puede moverse a cualquier parte del mundo con rapidez y facilidad. La cantidad estimada de dinero lavado a nivel mundial en un año es del 2 al 5% del PIB mundial, o de $800 mil millones a $2 billones en dólares estadounidenses actuales.
¿Qué se puede hacer? ¿Cómo pueden las instituciones financieras evitar las repercusiones de las soluciones ineficaces contra el lavado de dinero y tener un impacto real en la lucha contra el crimen financiero? Además, ¿cómo pueden los bancos hacer esto hoy, junto con los esquemas de delitos financieros desconocidos del futuro?
El aprendizaje automático es un buen comienzo.
Aprendizaje automático: antilavado de dinero para hoy y mañana
El aprendizaje automático es imprescindible para las soluciones contra el lavado de dinero de vanguardia hoy y en el futuro. Crea equipos más eficientes y efectivos al automatizar el enriquecimiento y la priorización de casos para los investigadores. La automatización reduce significativamente la cantidad de falsos positivos generados, lo que significa que los equipos no pierden el tiempo con alertas sin sentido. También permite una puntuación de riesgo más precisa. Según ACAMS, “En un caso, un banco redujo el tiempo (las alertas de trabajo) de varias semanas a unos pocos segundos”.
Los sistemas heredados contra el lavado de dinero tienden a proporcionar alertas de alto volumen y bajo valor porque se ejecutan en motores que solo usan reglas. Hay una cantidad abrumadora de falsos positivos en un sistema basado en reglas.
Dependiendo del tamaño del banco, los analistas investigan entre 20 y 30 alertas de falsos positivos por día. A menos que tenga recursos ilimitados para revisar alertas, querrá una estrategia diferente. Se han impuesto cuantiosas multas, y además de las multas, está la atención negativa que los medios de comunicación dan al dar seguimiento a los casos de lavado de dinero. Por eso es importante que las instituciones financieras dediquen recursos para automatizar la prevención del lavado de dinero.
Datos
Los datos se procesan – Entrada – Análisis – Aprendizaje automático – Predicción/Análisis – Salida – El aprendizaje automático hace predicciones y toma decisiones basadas en datos anteriores
Los programas contra el lavado de dinero basados en el aprendizaje automático utilizan reglas y modelos, no solo reglas. El uso de reglas y plantillas reduce drásticamente los falsos positivos, aumenta la eficiencia operativa y requiere menos mantenimiento.
Al invertir en soluciones de aprendizaje automático, las instituciones minimizan las posibilidades de ser multadas y dificultan que los delincuentes adivinen los límites de las reglas.
Para ayudar a comprender por qué es tan efectivo ejecutar reglas y modelos de aprendizaje automático juntos, analicemos cómo funcionan las reglas y los enfoques basados en modelos para los programas contra el lavado de dinero.
Cómo funcionan los mecanismos de riesgo.
Los mecanismos de riesgo basados en reglas funcionan mediante el uso de un conjunto de condiciones matemáticas para determinar qué decisiones tomar, funciona así:
Si una cuenta muestra más de $10,000 en transacciones en efectivo en 14 días, active una alerta.
Una de las ventajas significativas de utilizar un motor avanzado basado en reglas es que los analistas pueden crear e implementar rápidamente nuevas reglas. Tenga en cuenta que esto no es cierto para todos los sistemas, solo para los más robustos e innovadores. La ventaja es una regla clara con cálculos específicos, lo que facilita demostrar a los reguladores por qué y cuándo el sistema marcó el evento como actividad sospechosa.
Pero las reglas por sí solas no son suficientes porque tienen muchas limitaciones. A menudo, estas reglas son demasiado complicadas para comprender el contexto y profundizar.
Las reglas también tienen umbrales fijos que los delincuentes entienden y evitan deliberadamente, solo escenarios SÍ/NO, producen muchos falsos positivos, requieren mucho esfuerzo manual para mantener y tienen problemas para detectar relaciones entre transacciones, entre otros problemas.
Cómo funcionan los motores de riesgo de aprendizaje automático
El aprendizaje automático para la lucha contra el lavado de dinero fortalece las reglas con modelos, lo que ayuda aún más a reducir las alertas de alto volumen y bajo valor. Esto se debe a que los modelos de aprendizaje automático se entrenan con algoritmos basados en datos históricos para predecir el comportamiento futuro. Los modelos funcionan así:
Los equipos de ciencia de datos alimentan el aprendizaje automático con grandes cantidades de datos históricos sobre casos conocidos y sospechosos de lavado de dinero.
Los algoritmos de aprendizaje automático utilizan información de estos conjuntos de datos para crear modelos estadísticos, no reglas deterministas.
El aprendizaje automático aprende cómo era el lavado de dinero en el pasado y, lo que es igualmente importante, cómo es el comportamiento normal y anormal.
El aprendizaje automático predice el riesgo de lavado de dinero en función de casos de lavado de dinero conocidos y sospechosos o haciendo referencia a casos que se han informado al regulador.
Uno de los beneficios que trae el aprendizaje automático es la capacidad de aprender y adaptarse continuamente.
Es importante decir: si no puede proporcionar buenos datos de entrenamiento etiquetados para aprender, el aprendizaje automático no puede aprender. Por eso es importante asegurarse de que sus fuentes de datos utilicen prácticas de etiquetado adecuadas.
Antes de comenzar con los modelos de aprendizaje automático supervisado, las instituciones financieras harían bien en evaluar los impactos potenciales en los controles, los procesos operativos y la estructura del personal. Cuando su equipo se sienta cómodo y confiado en el desempeño del modelo supervisado y los reguladores indiquen que están satisfechos con el desempeño de los controles actuales, su organización puede considerar pasar a modelos de aprendizaje automático no supervisados. Estos pueden detectar comportamientos que son muy diferentes de los patrones normales. Tener un pequeño presupuesto de alerta para estos incidentes permite a los equipos explorar un conjunto completamente diferente de transacciones que, de otro modo, no serían detectadas por las reglas.
Además, los modelos de aprendizaje automático tardan en aprenderse. Esto los hace más lentos de implementar. Sin embargo, una vez implementadas, las plataformas de aprendizaje automático más nuevas brindan un ciclo de retroalimentación incorporado que permite que algunos algoritmos modelo aprendan continuamente de nuevos datos (como el aprendizaje profundo). Incluso si el aprendizaje continuo no es posible y es necesario un reentrenamiento periódico, los modelos capturan patrones buenos y malos mejor que un conjunto de reglas (o un ser humano). El resultado es que a los delincuentes les resulta más difícil engañar al sistema simplemente cambiando su comportamiento. Esto se traduce en menores inversiones en mantenimiento y monitoreo de tiempos para seguir la evolución del comportamiento delictivo financiero.
Entonces, si bien la implementación demora un poco más, el aprendizaje automático compensa ese tiempo al proporcionar alertas más precisas. Sin mencionar que el aprendizaje automático le ahorra a su equipo de ciencia de datos incontables horas que de otro modo pasarían creando y ajustando miles de reglas.
Los delincuentes siempre buscan explotar las lagunas en su beneficio. En lugar de mantenerse al día con sus últimas tácticas, los bancos tienen la oportunidad de aprender sus trucos en tiempo real y revelar actividades ilícitas.
