Porqué la Gestión del fraude impulsada por la inteligencia artificial

La inteligencia artificial (IA) no es nueva y existe desde hace décadas. Sin embargo, con la llegada del big data y la computación distribuida que está disponible hoy en día, es posible desarrollar el verdadero potencial de la IA. Desde lo que comenzó como una historia interesante en las películas de SCI-FI hasta programas como Alpha-Go, que ha estado venciendo a los humanos, la IA ha ido evolucionando. La IA también se ha diversificado en varias subcategorías, como aprendizaje automático (Machine Learning), aprendizaje profundo (Deep Learning), aprendizaje reforzado (Reinforced Learning), etc.

Una estrategia eficaz de gestión de fraude (FM) incluye 3 pilares importantes: detectar, investigar y proteger. Creemos que la IA puede influir positivamente en los 3 pilares de la gestión del fraude, desde la reducción de falsos positivos hasta la ayuda en el análisis de la causa raíz y la creación de una experiencia de protección mejorada para el cliente.

En esta publicación, me gustaría analizar el pilar inicial de la estrategia de gestión del fraude: “Detección” y analizar la influencia de la IA en este paso tan importante. Un enfoque tradicional para la detección de fraudes ha sido a través de motores de reglas, que podrían ser:

• Condiciones
• Umbrales
• Expresiones
• Evaluación de patrones de datos

Estas son ampliamente conocidas como soluciones determinísticas, donde un evento desencadena una acción. Los mayores pros y contras de este enfoque es que se necesita la intervención humana para alimentar la lógica.

Por ejemplo: para una detección basada en umbrales, los humanos tienen que alimentar al motor de reglas de que el recuento de registros por encima de cierto umbral es sospechoso.

Los siguientes diagramas muestran cómo se ve esto:

Después de mirar el diagrama anterior, surge una pregunta importante: ¿este valor de umbral debe ser una línea recta o puede doblarse en función de cómo se comportan los datos? Ahora hay formas de que el motor de reglas se comporte como se menciona en el diagrama,

por ejemplo, en lugar de tener una sola regla, tengamos múltiples reglas

• Por categoría de cliente
• Por destino
• Por edad de los clientes

Y multiplique eso con otras dimensiones en los datos que son

• Número de teléfono
• Número de llamada
• Número llamado
• Código de país

Y multiplicar eso con otro conjunto de medidas por dimensiones

• Cuenta
• Duración
• Valor

Y arroje mil millones de dimensiones adicionales a los conjuntos de datos.

Rápidamente los equipos de FM terminan con algo como esto:

Pero lo que querían o soñaban era esto

Ahora bien, no estoy diciendo que los equipos de FM no estén lo suficientemente capacitados para volar, pero un equipo de gestión de fraude en un proveedor de servicios digitales moderno debería centrarse más en otros factores importantes.

Entonces, veamos cómo una clase muy evolucionada de Inteligencia Artificial conocida como Aprendizaje Automático ve este problema. En lugar de que los humanos proporcionen información de dominio o umbrales, los algoritmos de aprendizaje automático extraen datos de comportamientos fraudulentos históricos y crean modelos. Luego, estos modelos se utilizan para evaluar conjuntos de datos de producción reales para calificar si cierta actividad es fraude o no. Una ventaja es que estos modelos son muy buenos para observar los conjuntos de datos de múltiples dimensiones y medidas al mismo tiempo y concluir si el evento es un fraude o no.

Por lo tanto, este enfoque ayuda a lograr múltiples KPI de los equipos de gestión de fraude allí al aumentar la eficiencia.

• Mayor precisión: debido a que la IA puede aprender y adaptarse a los escenarios empresariales más rápido, la IA puede aumentar significativamente la proporción de verdaderos positivos
• Reducción del tiempo de detección: qué tan rápido se puede detectar un evento de fraude
• Autoaprendizaje: cómo durante un período los escenarios comerciales cambiantes y la estacionalidad de los datos pueden adaptarse a la detección de fraudes
• Inteligencia contra el fraude: cómo se pueden aprender y clasificar los comportamientos del cliente o de cualquier otra entidad para una mejor detección del fraude.
• Proactividad: capacidad para extraer patrones desconocidos que no se habían visto anteriormente en los datos.

La aplicación de la inteligencia artificial tiene sus propios desafíos importantes y requiere un nuevo marco de pensamiento; sin embargo, al observar el tsunami de datos que ha afectado a los equipos de gestión del fraude, parece que un enfoque profesional de IA solo ayudaría a los equipos de gestión del fraude a escalar aún más.

Para obtener más información sobre cómo la IA / ML transformaría los sistemas de gestión de fraudes, únase a nosotros en nuestro Seminario web sobre Aplicación de técnicas de IA / ML para la Gestión del Fraude para familiarizarse con AI / ML a través de una demostración en vivo.

Regístrate ahora

Nithin Gangadharan

Nithin has more than 10 Years of experience in Fraud Management. He started his career as an Implementation Consultant with Subex Ltd and has been part of many Fraud Management implementations across APAC & Middle East. He has also been a Subject Matter expert & Business Solution Consultant earlier. Nithin is currently working as Product Line Manager for Fraud Management and machine learning developments at Subex.