Esta função da tecnologia é uma prioridade para as instituições, que cumprem uma regulamentação rigorosa e precisam de identificar, gerir e reduzir o risco de operações fraudulentas.
Todos os dias, geram-se milhões de dados que podem parecer irrelevantes, mas que, em conjunto, são um recurso-chave para detectar atividades suspeitas. No entanto, processar e analisar toda esta informação sem tecnologia avançada é quase impossível. Para que estes dados tenham valor real na PBC, é fundamental estruturá-los e contextualizá-los.
Óscar Barba
Cofundador e CTO da Coinscrap Finance
Usar a tecnologia para analisar centenas de milhões de documentos por mês
Como disse, os dados não estruturados são um recurso valioso, mas subutilizados na PBC, precisamente porque são muito difíceis de processar. Em média, uma organização que precise de extrair informações sobre perigos iminentes enfrentaria a monstruosa tarefa de analisar milhões de inputs por mês.
A infraestrutura de IA foi projetada para este fim, transformando esse volume de dados em informações gerenciáveis, utilizando técnicas avançadas de processamento de linguagem natural (PLN) e machine learning.
💡 Sabia...
Generative AI offers endless possibilities for banks.
Explore-o hoje!
5 tarefas chave das plataformas para a prevenção do branqueamento de capitais
Transformação de documentos: Qualquer documento, independentemente do seu formato original, é convertido em texto normalizado. Isto permite que as fontes sejam processadas e analisadas independentemente da sua origem (uma notícia, um relatório ou uma rede social).
Filtragem de dados: O sistema permite que os analistas selecionem e filtrem a informação conforme as suas necessidades específicas, criando assim um conjunto de dados altamente personalizado e relevante para os objetivos da estratégia PBC.
Acesso a múltiplas fontes: Além de ter acesso a redes sociais e outros dados públicos, o sistema pode integrar conteúdo próprio do cliente ou qualquer fonte interna que a entidade queira incluir, expandindo assim a cobertura de dados.
Etiquetagem avançada: Usando IA, cada documento é etiquetado com elementos-chave, como sentimento, entidades (empresas, pessoas, localizações), eventos específicos e importância. Isto torna mais fácil a análise detalhada e a deteção de riscos.
Apresentação de dados: Também se encarrega de apresentar toda a informação recolhida e a sua análise em tempo real às equipas, garantindo que cada departamento possa integrar estas informações nos seus sistemas de forma eficiente.
O valor dos dados não estruturados na prevenção do branqueamento de capitais
Aproveitar a informação disponível (mas difícil de processar) faz a diferença entre a deteção precoce de atividades suspeitas e a perda de capital devido a possíveis infrações.
A natureza desorganizada destes dados torna o seu processamento e análise sem tecnologia avançada impraticável. Felizmente, estas ferramentas convertem os dados não estruturados em informações úteis, apoiando-se em técnicas de processamento de linguagem natural (PLN):
Análise contextual
Pode não só identificar palavras-chave relacionadas com o branqueamento de capitais, como também avaliar o contexto em que são mencionadas, garantindo que o sistema consiga distinguir entre menções relevantes e ruído.
Indicadores de sentimento
São gerados vários indicadores de sentimento e dezenas de campos que descrevem cada entidade detetada, proporcionando uma visão detalhada. Esta capacidade de análise emocional identifica mudanças na percepção pública.
Segmentação por tempo, região e tema
Bancos e seguradoras podem ver os dados filtrados com base nesses aspectos, e em alguns casos, também por semelhança temática, focando-se nas tendências e áreas de risco emergentes.
IA Aplicada à PBC: O sistema de alertas de risco do futuro
Imaginemos, por exemplo, um alerta gerado a partir de um tweet onde se menciona uma transferência suspeita. Com a infraestrutura adequada, o sistema pode não só detetar essa menção, mas atribuir-lhe uma pontuação de relevância com base no seu contexto.
Desta forma, os analistas podem focar-se nas menções de maior risco, otimizando o seu tempo e recursos. Vejamos agora as principais características do sistema de alertas:
Alertas de risco baseados em scoring contextual
Cada menção sobre temas potencialmente perigosos é analisada para medir a sua relevância. São utilizados uma série de parâmetros definidos, como origem, idioma, país e tipo de fonte.
Pesquisa simultânea em vários idiomas e países
Isto significa adaptar-se às necessidades globais de bancos e seguradoras, garantindo que menções relevantes sejam captadas em tempo real. Mapear o globo à procura de potenciais lacunas é indispensável hoje em dia.
Aprendizagem automatizada com feedback humano
À medida que os agentes revisam os alertas e fornecem feedback, o sistema aprende automaticamente. Isto permite-lhe aprimorar a sua análise e melhorar a precisão de futuros alertas.
Uma oportunidade para o futuro da deteção de fraude
O panorama regulatório está a tornar-se cada vez mais exigente, por isso a capacidade de reagir rapidamente a possíveis ameaças torna-se uma vantagem competitiva. Bancos e seguradoras que adotem esta tecnologia e o processamento de dados não estruturados para enfrentar estes desafios estarão mais bem preparados para cumprir as regulamentações. Poderão reduzir os riscos e gerar confiança tanto entre os seus clientes como junto dos reguladores.
A IA não é apenas uma ferramenta que permite cumprir com as obrigações da PBC, mas tornou-se um elemento transformador no panorama financeiro global. Aproveitar ao máximo esta tecnologia está a ajudar as instituições a tornar-se muito mais eficazes, proativas e seguras.
Em breve veremos a GenAI dominar as manchetes nesta área. É capaz de gerar dados sintéticos e cenários hipotéticos que enriquecem os modelos, antecipando atividades criminosas. Proteger a integridade financeira dos clientes e da sociedade em geral está a direcionar as inovações neste campo.
A tecnologia volta a ser a grande aliada das instituições.
Sobre o autor
Óscar Barba é cofundador e CTO da Coinscrap Finance. Ele é um especialista Scrum Manager com mais de 6 anos de experiência na coleta e análise semântica de dados no setor financeiro, classificação de transações bancárias, deep learning aplicado em sistemas de análise de sentimento do mercado de ações e medição da pegada de carbono associada aos dados transacionais.
Com vasta experiência no setor bancário e de seguros, Óscar está finalizando seu Doutorado em Tecnologia da Informação Atualmente está concluindo seu doutorado em Tecnologias da Informação no campo da Inteligência Artificial. É Engenheiro e Mestre em Engenharia da Computação pela Universidade de Vigo, Mestre em Comércio Eletrônico pela Universidade de Salamanca, Certificado Scrum Manager e Gerenciamento de Projetos pelo CNTG, Certificado em Arquitetura SOA e Serviços Web pela Universidade de Salamanca. Recentemente obteve a certificação ITIL Fundamentals, um reconhecimento das boas práticas na gestão de serviços de TI.
