Está función de la tecnología es un tema prioritario para las instituciones, que cumplen una estricta normativa y necesitan poder identificar, gestionar y reducir el riesgo de las operaciones fraudulentas.
Cada día se generan millones de datos que pueden parecer irrelevantes, pero en conjunto son un recurso clave para detectar actividades sospechosas. Sin embargo, procesar y analizar toda esta información sin tecnología avanzada resulta casi imposible. Para que estos datos tengan valor real en la PBC, es fundamental estructurarlos y contextualizarlos.
Óscar Barba
Cofundador y CTO de Coinscrap Finance
Usar la tecnología para analizar cientos de millones de documentos al mes
Como os decía, los datos no estructurados son un recurso valioso pero infrautilizado en el ámbito de la PBC, precisamente porque resultan muy difíciles de procesar. De media, una organización que necesite extraer insights sobre peligros inminentes se enfrentaría a la monstruosa tarea de analizar millones de inputs al mes.
La infraestructura de IA fue diseñada para este fin, transformando ese volumen de datos en información manejable a partir de técnicas avanzadas de procesamiento de lenguaje natural (PLN) y machine learning.
💡 ¿Sabes...
Generative AI offers endless possibilities for banks.
¡Descúbrelo ahora!
5 tareas clave de las plataformas para Prevención del Blanqueo de Capitales
Transformación de documentos: Cualquier documento, sin importar su formato original, se convierte en texto normalizado. Esto permite que las fuentes se procesen y analicen sin importar su procedencia (una noticia, un informe o una red social).
Filtrado de datos: El sistema permite que los analistas seleccionen y filtren la información en función de sus necesidades específicas, creando así un conjunto de datos muy personalizado y relevante para los objetivos de la estrategia PBC.
Acceso a múltiples fuentes: Además de contar con acceso a redes sociales y otros datos públicos, el sistema puede integrar contenido propio del cliente o cualquier fuente interna que la entidad quiera incluir, ampliando así la cobertura de datos.
Etiquetado avanzado: Utilizando IA, cada documento es etiquetado con elementos clave como sentimiento, entidades (empresas, personas, ubicaciones), eventos específicos e importancia. Esto hace más fácil el análisis detallado y la detección de riesgos.
Presentación de datos: También se ocupa de poner toda la información recopilada y su análisis a disposición de los equipos en tiempo real, asegurando que cada departamento pueda integrar estos insights en sus sistemas de forma ágil.
El valor de los datos no estructurados en la prevención de blanqueo de capitales
Aprovechar la información disponible (pero inabarcable) marca la diferencia entre una detección temprana de actividades sospechosas y la pérdida de capital frente a infracciones potenciales.
La naturaleza desorganizada de estos datos hace que procesarlos y analizarlos sin tecnología avanzada sea poco práctico. Por suerte, estas herramientas convierten los datos no estructurados en insights, apoyándose en técnicas de procesamiento de lenguaje natural (PLN):
Análisis contextual
No solo puede identificar palabras clave relacionadas con blanqueo de capitales, sino que evalúa el contexto en el que se mencionan, asegurando que el sistema pueda distinguir entre menciones relevantes y ruido.
Indicadores de sentimiento
Se generan varios indicadores de sentimiento y decenas de campos que describen cada entidad detectada, proporcionando una visión detallada. Esta capacidad de análisis emocional identifica cambios en la percepción del público.
Segmentación por tiempo, región y temática
Los bancos y aseguradoras pueden ver los datos filtrados según estos aspectos y, en algunos casos, también por similitud temática, enfocándose en tendencias y áreas de riesgo emergentes.
IA aplicada a PBC: El sistema de alertas de riesgo del futuro
Imaginemos, por ejemplo, una alerta generada a partir de un tuit en el que se menciona una transferencia sospechosa. Con la infraestructura adecuada, el sistema puede no solo detectar esa mención, sino otorgarle una puntuación de relevancia basándose en su contexto.
Así, los analistas pueden centrarse en las menciones de mayor riesgo, optimizando su tiempo y recursos. Veamos ahora cuáles son las características principales del sistema de alertas:
Alertas de riesgo basadas en scoring contextual
Cada mención sobre temas potencialmente peligrosos es analizada para medir su relevancia. Se usan una serie de parámetros definidos, como la procedencia, el idioma, el país y el tipo de fuente.
Búsqueda simultánea en varios idiomas y países
Esto significa adaptarse a las necesidades globales de los bancos y aseguradoras, garantizando que se capten menciones relevantes en tiempo real. Mapear el globo en busca de potenciales brechas es algo indispensable a día de hoy.
Aprendizaje automatizado con feedback humano
A medida que los agentes revisan las alertas y proporcionan retroalimentación, el sistema aprende de manera automática. Esto le permite perfeccionar su análisis y mejorar la precisión de futuras alertas.
Una oportunidad para el futuro de la detección del fraude
El panorama regulatorio se vuelve cada vez más exigente, por eso la capacidad de reaccionar rápido ante posibles amenazas se convierte en una ventaja competitiva. Los bancos y aseguradoras que adopten esta tecnología y el procesamiento de datos no estructurados para abordar estos desafíos estarán mejor preparados para cumplirlas. Podrán reducir los riesgos y generar una confianza sólida entre sus clientes y también de cara a los reguladores.
Y es que la IA no es solo una herramienta que permite cumplir con las obligaciones de PBC, sino que se ha vuelto un elemento transformador dentro del panorama financiero global. Aprovechar al máximo esta tecnología está ayudando a las instituciones a ser mucho más eficaces, proactivas y seguras.
Pronto veremos a la GenAI acaparar los titulares en este sentido. Es capaz de generar datos sintéticos y escenarios hipotéticos que enriquecen los modelos, anticipando actividades delictivas. Proteger la integridad financiera de los clientes y de la sociedad en general dirige las innovaciones en este ámbito.
La tecnología vuelve a ser la gran aliada de las instituciones.
Sobre el autor
Óscar Barba es cofundador y CTO de Coinscrap Finance. Es un experto Scrum Manager con más de 6 años de experiencia en la recolección y análisis semántico de datos en el sector financiero, clasificación de transacciones bancarias, deep learning aplicado a los sistemas de análisis del sentimiento bursátil y a la medición de la huella de carbono asociada a datos transaccionales.
Con amplia experiencia en el sector bancario y asegurador, Óscar está finalizando su Doctorado en Tecnologías de la Información Es Ingeniero y Máster en Ingeniería Informática por la Universidad de Vigo, Máster en Comercio Electrónico por la Universidad de Salamanca, Certificado Scrum Manager y Project Management por el CNTG, Certificado en Arquitectura SOA y Servicios Web por la Universidad de Salamanca. Recientemente ha obtenido la certificación ITIL Fundamentals, un reconocimiento a las buenas prácticas en la gestión de servicios TI.
