El hombre vs la máquina: La IA en la detección de fraude

El hombre vs la máquina: La IA en la detección de fraude

Descubre las ventajas y las contras de las soluciones de IA de caja negra y de caja blanca y entiende cuál es la más adecuada para ti.

 

 

La Inteligencia Artificial (IA) está transformando todas las facetas de nuestra vida personal y profesional, pero las empresas de todo el mundo siguen luchando por comprender las implicaciones de esta nueva ola de tecnologías disruptivas.

Los estafadores ya no trabajan de forma individual, sino que optan por colaborar en bandas delictivas internacionales y redes mundiales para compartir nuevas técnicas maliciosas con el fin de estafar a las empresas. La mejor tecnología para luchar contra el fraude es la que puede cambiar y adaptarse tan rápidamente como las tácticas de los estafadores.

El anfitrión fue nuestro propio cofundador y Director de Operaciones, en colaboración con expertos en la materia de Checkout.com y Bottomline.

Agenda

  • Exploración de las diferentes formas de machine learning en la detección de fraudes: datos, multiplicidad, integración, white-boxing, monitoreo continuo, experimentación.
  • Aprendizaje supervisado o no supervisado para la detección del fraude.
  • Datos históricos y datos etiquetados.
  • IA explicable.
  • Normativa sobre machine learning – normativa central.
  • Ventajas y contras de las soluciones BlackBox y WhiteBox.
  • La dirección futura del machine learning en la lucha contra el fraude.
  • Preguntas y respuestas

Ponentes

El anfitrión fue nuestro cofundador y Director de Operaciones, Bence Jendruszak.

Respuestas clave de la sesión de preguntas y respuestas

¿Cuántos datos de entrenamiento se necesitan para que el ML sea útil en la detección de fraude? ¿Un día? ¿Una semana? ¿Más?

«Creo que el primer problema cuando se trata de machine learning y pagos con tarjeta es que hay un desfase. Así que no vamos a saber inmediatamente si una transacción ha sido fraudulenta. Tenemos que esperar a que Visa, Amex, Mastercard, etc… nos digan si ha sido fraudulenta o no. Así que por lo general yo diría que 3-6 meses de datos. El retraso es enorme. Y no se trata solo de la cantidad de datos, sino de la calidad de los mismos. Es algo en lo que tengo que insistir: un modelo es tan bueno como los datos que contiene». – Stefania

«Hay que tener en cuenta muchos factores, así que la única respuesta que puedo dar es: depende». – János

«Estoy de acuerdo. Depende del proveedor que vayas a utilizar. Si miro al sector en su conjunto, hay muchos proveedores que se limitan a tomar tus propios datos, estructurados o no, e intentan darles sentido. Ahora bien, el tiempo de obtención de valor podría ser completamente diferente con un proveedor basado en la nube que utilice correctamente sus conocimientos del sector y la reserva de talento. Por ejemplo, hay un 10% del tráfico de Swift que podemos utilizar en nuestra modelización cuando nuestros clientes acuden a nosotros. Lo más importante que yo diría es que, si hablas con un proveedor, debes saber cuál es el plazo de obtención de valor. Entiende cuáles son los métodos y las escalas de tiempo, y elige lo que sea mejor para tu modelo de negocio». – James

¿Cuál es la carga de trabajo administrativo de un servicio de machine learning? ¿Qué parte de tus recursos deberías dedicarle (tamaño del equipo, etc.)?

«También en este caso, creo que depende del despliegue de la propia tecnología. A veces requiere más mano de obra. También dependerá del tamaño de la empresa. En última instancia, yo trabajo con varios clientes a diario y puedo gestionarlo con bastante facilidad, así que depende, pero mínimamente tener una persona que sea multidisciplinar puede funcionar. Puede que no sea necesario que se dedique a la gestión de multiniveles a tiempo completo, pero ese sería mi punto de referencia». – James

«Sí, depende de los motivos. Puedes externalizarlo y que alguien se encargue de la gestión de principio a fin y te saldrá más barato. En mi caso, si eres una empresa que dice: «Quiero construir mi propio modelo de machine learning para la detección del fraude», entonces definitivamente necesitarás tener científicos de datos e ingenieros que actualicen continuamente esos modelos. Porque el fraude cambia, así que tienes que asegurarte de actualizar esos modelos con la mayor frecuencia posible para seguir el ritmo de los patrones de fraude cambiantes.» – Stefania

«Cuando se trata de una empresa en fase inicial, se necesita una persona que entienda el negocio, los datos y la tecnología. Un auténtico superhéroe de los datos con conocimientos empresariales. Y eso es suficiente para empezar. Pero hay que ampliarlo rápidamente cuando el negocio crece. Si estás en un sector más arriesgado que otros, sin duda necesitarás más analistas y expertos en fraude que otros». – János

«Sí, también es muy importante tener los conocimientos pertinentes. Como has dicho, necesitas a alguien con conocimientos internos sobre los entresijos de ese sector específico.» – Bence

¿Utilizas neo4J? ¿O qué plataforma de gestión de bases de datos es tu favorita?

«Definitivamente, soy un gran fan de la base de datos gráfica de neo4J porque son líderes del mercado y han recibido una gran inversión, la mayor en la historia de las empresas de bases de datos. Así que creo que es una validación de su negocio. Estamos utilizando neo4J, implementando una solución basada en él. Seguimos trabajando en ello y tenemos grandes planes con ellos». – János

¿Cómo captura tu empresa los falsos positivos o los falsos negativos?

«Cuando solía hacer las llamadas de demostración para nuestra empresa allá por 2017, siempre nos centramos en desarrollar un sistema de caja blanca. No solo para machine learning, sino incluso para la toma de decisiones de la plataforma antifraude. Cuando se crean reglas, tienen que ser legibles, etcétera. Y así, para cada regla que aplica el gestor de fraudes, tenemos una funcionalidad de backtesting. Esto me pareció muy interesante, porque nadie más lo hacía en el ámbito de la prevención del fraude. Así que puedes hacer pruebas retrospectivas y calcular en un plazo específico lo que esa regla te habría dado en términos de falsos positivos y falsos negativos. Desgraciadamente, ya no hago muchas llamadas de demostración, pero creo que es una gran característica de SEON». – Bence

¿Cuál es el gran reto para iniciarse en la detección de IA?

«Si empiezas de cero, tienes que invertir muchos recursos. Tienes que asegurarte de que los datos que tienes están limpios y son de buena calidad. Asegurarte de que tienes suficientes datos. Los científicos de datos y los ingenieros deben convertir estos modelos en realidad y tienes que asegurarte de que tienes la infraestructura para hacerlo. Sin duda es un reto asegurarse de que todo funciona sin problemas desde el momento en que se ingieren los datos hasta que se obtienen los resultados.

Otro reto es que no se sabe muy bien lo que hay en el mercado, porque todo el mundo es muy reservado sobre el rendimiento de sus modelos. Así que la tarea de establecer objetivos para el equipo ha sido todo un reto». – Stefania

«Creo que Stefania ha dado en el clavo. Si quieres empezar a crear modelos de inteligencia artificial, sobre todo desde el punto de vista de las operaciones de fraude, lo importante es el retorno de la inversión. Cuánto dinero vas a poder invertir y qué esperas obtener. La semana pasada estuve hablando con algunas personas y una de las preguntas que se hacían algunas instituciones financieras era: ¿por qué debería elegir a un proveedor si podría crearlo yo mismo? Pero, ¿por qué lo harías? Especialmente si se trata de una solución basada en la nube, se obtiene un precio mucho mejor, se obtiene un retorno de la inversión más rápido, se dispone del equipo, etc. La forma en que yo lo veo es que hay que analizar cuánto tiempo y recursos se quiere dedicar a ello. Es una discusión entre el trabajo interno y el externo, pero yo siempre seré partidario de la externalización». – James

«Solo un añadido: para empezar hay que contratar a gente buena. Ese es el mayor reto hoy en día, conseguir los ingenieros de IA o machine learning adecuados. Cuando tienes un equipo no es tan difícil empezar». – János

«Sí, yo estoy en el sector de contratación, así que cada día veo cómo intentamos ayudar al equipo consiguiendo más y más gente con talento para nuestro equipo.» – Bence

Mira nuestro seminario web para conocer la dirección futura del machine learning en la lucha contra el fraude.

Puede que también te interese leer sobre:

Compartir en redes sociales

Speak with a fraud fighter.

Click here


Suscríbete a nuestro boletín de noticias

Las mejores historias del mes directamente en tu bandeja de entrada