¿Cómo se utiliza la IA en la detección de fraudes?

La utilización de IA en la detección de fraudes ¿Cómo funciona?

El Salvaje Oeste tenía pistoleros, robos a bancos y recompensas: la frontera digital de hoy tiene robo de identidad, fraude con tarjetas de crédito y contracargos.

Aprovecharse del fraude financiero se ha convertido en una empresa delictiva multimillonaria. Y la inteligencia artificial generativa en manos de estafadores solo promete hacer esto más rentable.

Se espera que las pérdidas por fraude con tarjetas de crédito en todo el mundo alcancen los 43 mil millones de dólares para 2026, según el informe Nilson.

El fraude financiero se comete de varias formas, como obtener datos pirateados de la web oscura para el robo de tarjetas de crédito, usar inteligencia artificial generativa para obtener información personal y lavar dinero entre criptomonedas, billeteras digitales y monedas fiduciarias. Hay muchas otras estafas financieras acechando en el submundo digital.

• Pie From the Sky Startup de drones entrega pizza, medicamentos y una dosis de emoción
• Resucitando a Vincent van Gogh
• Los satélites más antiguos de observación de la Tierra de NOAA obtienen ‘vida prolongada

Para mantenerse al día, las empresas de servicios financieros están utilizando inteligencia artificial para la detección de fraudes. Esto se debe a que muchos de estos delitos digitales deben detenerse de inmediato para que los consumidores y las empresas financieras puedan detener las pérdidas de inmediato.

Entonces, ¿cómo se utiliza la inteligencia artificial para la detección de fraudes?

La inteligencia artificial para la detección de fraudes utiliza múltiples modelos de aprendizaje automático para detectar anomalías en el comportamiento y las conexiones de los clientes, así como patrones de cuentas y comportamientos que se ajustan a características fraudulentas.

La inteligencia artificial generativa puede ser utilizada como copiloto del fraude

Gran parte de los servicios financieros involucra texto y números. La inteligencia artificial generativa y los modelos de lenguaje grandes, capaces de aprender significado y contexto, prometen capacidades disruptivas en diversas industrias con nuevos niveles de producción y productividad. Las empresas de servicios financieros pueden aprovechar la inteligencia artificial generativa para desarrollar chatbots más inteligentes y capaces y mejorar la detección de fraudes.

Por otro lado, los delincuentes pueden eludir las barreras de protección de la inteligencia artificial con astutas sugerencias generativas de inteligencia artificial para usarla en fraudes. Y los modelos de lenguaje grandes están produciendo escritura similar a la humana, lo que permite a los estafadores redactar correos electrónicos con más relevancia contextual, sin errores de ortografía ni gramática. Se pueden crear rápidamente diferentes versiones adaptadas de correos electrónicos de phishing, lo que convierte a la inteligencia artificial generativa en un excelente copiloto para perpetrar estafas. También existen herramientas en la web oscura como FraudGPT, que pueden explotar la inteligencia artificial generativa para ciberdelitos.

La inteligencia artificial generativa también puede ser utilizada para daños financieros en medidas de seguridad de autenticación de voz. Algunos bancos utilizan la autenticación de voz para autorizar a los usuarios. La voz de un cliente bancario puede ser clonada utilizando tecnología deep fake si un atacante puede obtener muestras de voz en un intento de vulnerar dichos sistemas. Los datos de voz se pueden recopilar con llamadas telefónicas de spam que intentan inducir a la persona que recibe la llamada a responder utilizando su voz.

Los fraudes de los chatbots son un problema tan grave que la Comisión Federal de Comercio de los Estados Unidos expresó su preocupación por el uso de modelos de lenguaje grandes y otras tecnologías para simular el comportamiento humano en videos deep fake y clones de voz aplicados a estafas de impostores y fraudes financieros.

¿Cómo está abordando la inteligencia artificial generativa el uso indebido y la detección de fraudes?

La revisión de fraudes tiene una nueva herramienta poderosa. Los trabajadores que manejan revisiones manuales de fraudes ahora pueden recibir ayuda de asistentes basados en modelos de lenguaje grandes que se ejecutan en segundo plano para aprovechar la información de los documentos de políticas que pueden ayudar a agilizar la toma de decisiones sobre si los casos son fraudulentos, acelerando enormemente el proceso.

Los modelos de lenguaje grandes se están adoptando para predecir la próxima transacción de un cliente, lo que puede ayudar a las empresas de pagos a evaluar preventivamente los riesgos y bloquear transacciones fraudulentas.

La inteligencia artificial generativa también ayuda a combatir el fraude en transacciones mejorando la precisión, generando informes, reduciendo investigaciones y mitigando el riesgo de cumplimiento.

Generar datos sintéticos es otra aplicación importante de la inteligencia artificial generativa para la prevención de fraudes. Los datos sintéticos pueden mejorar la cantidad de registros utilizados para entrenar modelos de detección de fraudes y aumentar la variedad y sofisticación de ejemplos para enseñar a la inteligencia artificial a reconocer las últimas técnicas empleadas por los estafadores.

NVIDIA ofrece herramientas para ayudar a las empresas a adoptar la inteligencia artificial generativa para construir chatbots y agentes virtuales con un flujo de trabajo que utiliza generación mejorada por recuperación para acceder a vastos conjuntos de datos para la recuperación de información.

Aprovechar los flujos de trabajo de NVIDIA AI puede ayudar a acelerar la construcción e implementación de capacidades de grado empresarial para producir respuestas precisas para diversos casos de uso, utilizando modelos fundamentales, el marco NVIDIA NeMo, el Servidor de Inferencia Triton de NVIDIA y una base de datos vectorial acelerada por GPU para implementar chatbots impulsados por generación mejorada por recuperación.

Existe un enfoque de la industria en la seguridad para asegurar que la IA generativa no sea fácilmente explotada para causar daño. NVIDIA lanzó NeMo Guardrails para ayudar a asegurar que las aplicaciones inteligentes impulsadas por LLMs, como ChatGPT de OpenAI, sean precisas, apropiadas, relevantes y seguras.

Este software de código abierto está diseñado para ayudar a prevenir el fraude y otros usos indebidos de las aplicaciones impulsadas por IA.

¿Cuáles son los beneficios de la IA en la detección de fraude?

La detección de fraude ha sido un desafío en la banca, las finanzas, el comercio minorista y el comercio electrónico. El fraude no solo perjudica financieramente a las organizaciones, sino que también puede dañar su reputación.

También es un dolor de cabeza para los consumidores cuando los modelos de fraude de las entidades financieras reaccionan excesivamente y registran falsos positivos que bloquean transacciones legítimas.

Por lo tanto, los sectores de servicios financieros están desarrollando modelos más avanzados utilizando más datos para protegerse contra pérdidas financieras y de reputación. También están buscando reducir los falsos positivos en la detección de fraude en las transacciones para mejorar la satisfacción del cliente y ganar una mayor participación entre los comerciantes.

Las entidades financieras adoptan la IA para la verificación de identidad

La industria de servicios financieros está desarrollando IA para la verificación de identidad. Las aplicaciones impulsadas por IA que utilizan aprendizaje profundo con redes neuronales gráficas (GNNs), procesamiento de lenguaje natural (NLP) y visión por computadora pueden mejorar la verificación de identidad para los requisitos de conozca a su cliente (KYC, por sus siglas en inglés) y prevención del lavado de dinero (AML, por sus siglas en inglés), lo que conduce a un mejor cumplimiento normativo y a la reducción de costos.

La visión por computadora analiza la documentación fotográfica, como licencias de conducir y pasaportes, para detectar falsificaciones. Al mismo tiempo, el NLP lee los documentos para medir la veracidad de los datos en ellos mientras la IA los analiza en busca de registros fraudulentos.

Las mejoras en los requisitos de KYC y AML tienen importantes implicaciones regulatorias y económicas. Las instituciones financieras, incluidos los bancos, fueron multadas con casi $5 mil millones por infracciones a los requisitos de AML, violaciones de sanciones y fallas en los sistemas KYC en 2022, según el Financial Times.

Aprovechando las redes neuronales gráficas y las GPUs de NVIDIA

Las GNNs han sido adoptadas por su capacidad para revelar actividad sospechosa. Son capaces de analizar miles de millones de registros e identificar patrones de actividad desconocidos previamente para establecer correlaciones sobre si una cuenta ha enviado anteriormente una transacción a una cuenta sospechosa.

NVIDIA tiene una alianza con el equipo de la Biblioteca de Grafos Profunda, así como con el equipo de PyTorch Geometric, que proporciona un contenedor de marco GNN que incluye las últimas actualizaciones, bibliotecas NVIDIA RAPIDS y más para ayudar a los usuarios a mantenerse actualizados sobre técnicas de vanguardia.

Estos contenedores del marco GNN están optimizados y afinados en términos de rendimiento para aprovechar al máximo las GPUs de NVIDIA.

Con acceso a la plataforma de software NVIDIA AI Enterprise, los desarrolladores pueden aprovechar NVIDIA RAPIDS, el servidor de inferencia NVIDIA Triton y el kit de desarrollo de software NVIDIA TensorRT para respaldar despliegues empresariales a gran escala.

Mejorando la detección de anomalías con las GNNs

Los estafadores utilizan técnicas sofisticadas y pueden aprender formas de evadir los sistemas de detección de fraude. Una forma es mediante la realización de complejas cadenas de transacciones para evitar ser detectados. Aquí es donde los sistemas basados en reglas tradicionales pueden pasar por alto patrones y fallar.

Las GNNs se basan en un concepto de representación dentro del modelo de estructura local y contexto de características. La información de las características de los bordes y nodos se propaga con la agregación y el envío de mensajes entre nodos vecinos.

Cuando las GNNs ejecutan múltiples capas de convolución de gráficos, los estados finales de los nodos contienen información de nodos a varios pasos de distancia. El mayor campo receptivo de las GNNs puede rastrear las cadenas de transacciones más complejas y largas utilizadas por los perpetradores de fraudes financieros en un intento de ocultar sus huellas.

Las GNNs permiten el entrenamiento no supervisado o auto-supervisado

Detectar patrones de fraude financiero a gran escala se ve desafiado por los terabytes de datos de transacciones que necesitan ser analizados en un abrir y cerrar de ojos y por la falta relativa de datos etiquetados de actividad de fraude real necesarios para entrenar modelos.

Aunque las GNN pueden lanzar una red de detección más amplia sobre patrones de fraude, también pueden entrenarse en una tarea no supervisada o auto-supervisada.

Utilizando técnicas como Latentes de Gráficos Bootstrap – un método de aprendizaje de representación gráfica – o predicción de enlaces con muestreo negativo, los desarrolladores de GNN pueden preentrenar modelos sin etiquetas y afinar modelos con muchas menos etiquetas, produciendo fuertes representaciones gráficas. La salida de esto se puede utilizar en modelos como XGBoost, GNNs o técnicas de agrupamiento, ofreciendo mejores resultados cuando se implementa para inferencia.

Abordar la Explicabilidad y el Sesgo del Modelo

Las GNN también permiten la explicabilidad del modelo con una suite de herramientas. La IA Explicable es una práctica de la industria que permite a las organizaciones utilizar dichas herramientas y técnicas para explicar cómo los modelos de IA toman decisiones, permitiéndoles protegerse contra el sesgo.

El transformador de gráficos heterogéneos y la red de atención a gráficos, que son modelos GNN, permiten mecanismos de atención en cada capa de la GNN, lo que permite a los desarrolladores identificar rutas de mensajes que las GNN utilizan para llegar a una salida final.

Incluso sin un mecanismo de atención, se han sugerido técnicas como GNNExplainer, PGExplainer y GraphMask para explicar las salidas de las GNN.

Las principales empresas de servicios financieros adoptan la IA para obtener beneficios

• American Express: Mejoró la precisión de detección de fraudes en un 6% con modelos de aprendizaje profundo y utilizó NVIDIA TensorRT en NVIDIA Triton Inference Server.

• BNY Mellon: Bank of New York Mellon mejoró la precisión de detección de fraudes en un 20% con aprendizaje federado. BNY construyó un marco colaborativo de detección de fraudes que ejecuta cálculos seguros de múltiples partes de Inpher, que protege los datos de terceros en sistemas NVIDIA DGX.

• PayPal: PayPal buscaba un nuevo sistema de detección de fraudes que pudiera operar continuamente en todo el mundo para proteger las transacciones de los clientes de posibles fraudes en tiempo real. La compañía ofreció un nuevo nivel de servicio utilizando inferencia impulsada por GPU de NVIDIA para mejorar la detección de fraudes en tiempo real en un 10% mientras reducía la capacidad del servidor casi en un 8x.
• Swedbank: Uno de los bancos más grandes de Suecia, Swedbank entrenó redes generativas adversarias impulsadas por GPU de NVIDIA para detectar actividades sospechosas en un esfuerzo por detener el fraude y el lavado de dinero, ahorrando 150 millones de dólares en un solo año.

Aprenda cómo NVIDIA AI Enterprise aborda la detección de fraudes en este seminario web.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!