Prova de concepte: machine learning per a reduir el frau bancari

Mèxic encapçala la llista dels països amb més fraus bancaris de tot el món

El machine learning (ML) ja és habitual en el nostre dia a dia. L’exemple més clar el tenim quan obrim una aplicació o un cercador i per art de màgia apareix alguna cosa que havíem estat buscant. No és casualitat. Darrere d’aquest tipus d’experiències es troba una innovació impulsada per l’analítica, en la qual tots participem, formant una impressionant font d’informació, mitjançant l’ús de plataformes digitals quotidianes (pàgines web, xarxes socials, entre altres). Aquesta tecnologia, que pertany a l’àmbit de la intel·ligència artificial (IA), no és més que un sistema que pot aprendre patrons, tendències i relacions de manera autònoma.

Gràcies al poder analític del machine learning, al seguir les empremtes digitals que va deixant un usuari en les seves activitats, es poden definir paràmetres per a detectar accions que abans era més difícil preveure. Avui dia, per a les empreses, és una eina que els permet projectar escenaris, ressaltar anomalies, detectar clients amb un alt perfil de risc, i fins i tot prevenir operacions que puguin amagar fraus.

Mèxic, líder mundial en fraus bancaris

Segons un reportatge fet per un diari mexicà i un estudi realitzat per MasterCard, Mèxic encapçala la llista dels països amb més fraus bancaris a tot el món, superant fins a cinc vegades a les nacions europees. Els resultats revelen que aquest delicte està estretament lligat al robatori d’identitats i a organitzacions mundials de defraudadors.

Tan sols al desembre de l’any passat es va incrementar un 69% el frau a posseïdors de targetes de crèdit, la qual cosa suposa un risc per a l’usuari i un negoci poc rendible per a l’empresa.

Els casos més comuns de fraus són l’ús indegut de caixers (moviments no reconeguts) amb un 33%, mentre que la clonació de targetes ocupa un 35%. La majoria dels informes per frau són a través de comerç electrònic, amb més de 4 milions de casos anuals i un desfalc que ascendeix als 250 milions de dòlars. Aquest tipus de fraus cibernètics amb targetes robades o informació sostreta als clients van augmentar un 25%.

Encara que els fraus generalment es realitzen per mitjà dels anomenats «skimmers», que copien les dades de les bandes magnètiques de les targetes, altres formes molt comunes de robar-los són mitjançant la generació aleatòria de contrasenyes, l’ús de programes maliciosos o el «hackeig» de botigues en línia.

Machine learning per aprendre a detectar el frau

A Nae estem realitzant proves de concepte (PoC) amb diferents institucions bancàries i financeres aplicant machine learning a través de DataRobot, una de les solucions líders a escala mundial. El procés consisteix en buscar, entre milions de combinacions d’algoritmes, el model d’aprenentatge automàtic ideal per a predir transaccions fraudulentes i activitats sospitoses.

Amb aquestes proves de concepte també s’aconsegueix oferir als nostres clients una primera presa de contacte amb eines d’anàlisi predictiva. Gràcies a la interfície intuïtiva, basada en la web, s’aconsegueix que qualsevol persona pugui interactuar amb la plataforma.

Independentment de l’experiència amb el machine learning, els usuaris poden triar els models i paràmetres de la seva elecció perquè el sistema els avaluï i, posteriorment, implementar solucions que ajudin en la presa de decisions.

Nae és partner certificat de DataRobot per a solucions de machine learning automatitzat i intel·ligència artificial orientades a l’empresa, i especialista en automatitzar el flux de treball de la ciència de dades, tant per a la recomanació d’algoritmes com per a la construcció de models predictius.