Al aprovechar la visualización de datos, los bancos pueden mejorar significativamente sus capacidades de detección de fraude. Hablé con Atmajitsinh Gohil, autor de Libro de recetas de visualización de datos Rsobre las tecnologías que están transformando la lucha contra el fraude financiero.
Según el Informe Nilsonse prevé que las pérdidas mundiales por tarjetas de crédito alcancen los 43.000 millones de dólares en 2026. Atmajitsinh Gohil, renombrado autor de Libro de recetas de visualización de datos R, y uno de los principales expertos en herramientas habilitadas para IA, cree que las técnicas de visualización de datos son cruciales en la lucha contra el fraude.
Atmajitsinh ha trabajado con instituciones financieras para evaluar datos financieros e idear herramientas habilitadas para IA para la detección de anomalías. Estas herramientas habilitadas para IA identifican patrones en los datos y detectan posibles estafadores. Gohil ha desarrollado herramientas patentadas de visualización de datos para identificar fraudes financieros, salvaguardar datos financieros y detectar amenazas nuevas y emergentes.
Su Libro de recetas de visualización de datos R profundiza en el lenguaje de programación R y ofrece conocimientos prácticos que son indispensables para todos, desde estudiantes de análisis de datos hasta formuladores de políticas.
«Hoy en día, los bancos dependen en gran medida de modelos de aprendizaje automático que identifican delitos mediante el análisis de conjuntos de datos», dijo Gohil. «La proporción de fraude en estos conjuntos de datos es muy pequeña, lo que dificulta la detección».
Actualmente trabaja en la validación de modelos de aprendizaje automático para los bancos más grandes del mundo. Según Gohil, los delincuentes utilizan diversas tácticas, como adquirir información pirateada de clientes de la web oscura, aprovechar la inteligencia artificial generativa para realizar phishing de datos personales y lavar dinero mediante criptomonedas.
Gohil está muy capacitado para aprovechar la IA para mitigar las pérdidas financieras, una estrategia que recientemente ha ganado fuerza entre las instituciones financieras. Por ejemplo, Mastercard lanzado un modelo de IA generativa para ayudar a los bancos a evaluar mejor las transacciones sospechosas en su red.
Este algoritmo patentado se basa en datos de alrededor de 125 mil millones de transacciones que pasan por la red de tarjetas de la compañía cada año. En promedio, la tecnología de Mastercard puede mejorar las tasas de detección de fraude en un 20% y, en algunos casos, ha dado lugar a mejoras de hasta un 300%.
Prevención de delitos financieros
Según Gohil, las empresas financieras recopilan grandes cantidades de datos de diversas transacciones, incluidas transferencias de dinero y actividades de inicio de sesión. Identificar actividades fraudulentas implica comparar el perfil de un individuo con datos históricos para detectar patrones sospechosos.
Las innovadoras técnicas de visualización de datos de Gohil desempeñan un papel crucial en este proceso. «La visualización entra en juego mediante la creación de paneles que pueden mostrar cuántas personas inician sesión, sus géneros, grupos de edad y dónde se produce el fraude», afirma Gohil. «Esto ayuda a identificar si el fraude se concentra en una región o grupo demográfico en particular».
Cuando los modelos de fraude no funcionan bien, los bancos hacen ajustes y utilizan técnicas de visualización para comparar modelos nuevos y antiguos.
“Puede visualizar datos para ver el rendimiento antes y después del cambio. Esto ayuda a comprender si los ajustes han reducido los falsos positivos o mejorado las tasas de detección”, añade Gohil.
Los principales riesgos para los bancos
A medida que avanza la tecnología, también lo hacen los métodos empleados por los delincuentes. “Los estafadores se adaptan muy rápidamente. Trabajan agresivamente para romper el sistema, especialmente con la llegada de la IA”, advierte Gohil. Por ejemplo, la tecnología puede usarse para crear identificaciones falsas u otras formas engañosas de violar los sistemas bancarios.
Uno de los principales riesgos que enfrentan los bancos es mantener la confianza de los clientes y proteger sus datos. “Mantener contento al cliente y garantizar que no se filtre su identidad son preocupaciones importantes”, señala Gohil.
La tecnología de reconocimiento de voz, desarrollada por proveedores externos, es una de esas innovaciones que ayuda a los bancos a identificar llamadas fraudulentas. Estos sistemas pueden analizar diversos datos de entrada, como números de teléfono y ubicaciones geográficas, para detectar actividades sospechosas.
«El reconocimiento de voz puede identificar si una llamada es fraudulenta basándose en diferentes variables del modelo», explica Gohil.
El futuro de la prevención del fraude
Las amenazas que enfrentan los bancos están en continua evolución. Los correos electrónicos de phishing, el spam y las comunicaciones falsas de los directores ejecutivos son sólo algunas de las tácticas que utilizan los estafadores. Gohil advierte que los bancos deben permanecer atentos y adoptar nuevas tecnologías para protegerse a sí mismos y a sus clientes.
Utilizando las técnicas de visualización de datos de Gohil, las empresas financieras pueden adoptar la IA para crear escenarios en los que identifiquen amenazas potenciales y tomen medidas de precaución. Por ejemplo, etiquetar los correos electrónicos como internos o personales ayuda a los bancos a monitorear el flujo de información y prevenir ataques de phishing.
Si bien muchos bancos cuentan con herramientas efectivas para detectar comportamientos inusuales que pueden indicar fraude, estas herramientas no son perfectas. Por eso las técnicas de visualización de datos de Gohil son cruciales para identificar patrones fraudulentos.
«La tecnología avanzada es esencial para distinguir entre transacciones legítimas y maliciosas», afirmó. Las empresas financieras sólo pueden evaluar con precisión la eficacia de sus sistemas de detección de fraude aprovechando los datos.
Crédito de imagen destacada: Eduardo Soares/Unsplash
