El machine learning contra el fraude bancario

En entradas anteriores, hemos hablado de lo que es el machine learning y de cómo poco a poco está siendo esencial en distintas actividades que realizamos, pero que muchas veces desconocemos, tanto así que hay utilidades clave en las que se confía más en esta tecnología porque elimina el error humano.

Hablemos de un caso en específico: la detección de fraudes en los servicios financieros y en específico en las tarjetas de crédito y débito.

Para detectar fraudes en las transacciones de las tarjetas, es indispensable crear modelos con la suficiente inteligencia, habilidad e información necesaria para que el machine learning aprenda la diferencia entre una transacción real y un fraude.

Una de las primeras versiones de cómo se identificaba el fraude en estos medios, era a través de reglas de cada banco, basándose en información como el monto, el comercio donde se gasta, el lugar, horario y otros datos. Por ejemplo, se identifica como fraude un pago en una provincia diferente al del tarjetahabiente, cuando éste había realizado una transacción momentos antes en otro lugar.

Sin embargo, los fraudes comienzan a ser más especializados y dejaron de ser estos robos claros de dinero, para pasar a estas pequeñas transacciones de productos o servicios, lo que los hacen cada día más complicados de detectar por el usuario y los sistemas de cada servicio financiero.

El fraude financiero sigue siendo muy grande, tan solo en América Latina y el Caribe, el machine learning en conjunto con la inteligencia artificial, detectaron el año previnieron fraudes por 2 mil millones de dólares, esto de acuerdo al Visa Advanced Authorization.

Así que para estar un paso adelante de los fraudes que mencionamos, la industria financiera recurrió al machine learning, que se encarga de analizar la información generada por los usuarios para detectar robos, fraudes o mal uso de las tarjetas, pues como mencionamos antes, son mucho más veloces y fiables que las habilidades humanas.

Obvio, para este trabajo se requiere del machine learning y la inteligencia artificial, ya que lo complejo, abundante y rápido que se genera la información es tanta, que un ser humano sería incapaz de hacerlo. Por ejemplo, se estima que cerca de 40 millones de transacciones se realizan cada día en el mundo.

Sin embargo, la industria tiene un reto: en el mundo, la mayoría de las transacciones no son fraudulentas, millones son acciones del tarjetahabiente, pero solo unas miles son por fraude, lo que da como resultado el problema: hay más datos de transacciones normales que de fraudes y la IA tiene que aprender con poca información.

¿Cómo detectan los movimientos no autorizados?

Existen medidas claras que está utilizando el machine learning para detectar fraudes como el aprendizaje supervisado para la predicción del fraude, y es que el comportamiento malicioso o fraude sigue patrones específicos y, por lo tanto, se puede predecir con base en ellos.

A través del aprendizaje supervisado, se puede clasificar como fraudulenta o legítima a través de datos con una etiqueta clara sobre una pregunta base. Si la empresa financiera tiene acceso a todas las transacciones que se realizan con sus tarjetas, puede crear grandes conjuntos de datos y marcar los fraudes como tal. Así el machine learning, cuando vea algo similar lo detectará como fraude.

Por ejemplo, datos como la hora, el lugar en que se realizó la transacción, si es en una tienda física o a través de un link de pago, el nombre, la edad y la dirección del propietario de la tarjeta, el artículo comprado y tal vez su precio, es información relevante para identificar anomalías.

Por ejemplo, Visa ve el patrón de gastos de sus clientes, por lo que entiende si es un movimiento usual del cliente o algo anormal. También cruza la información de tu móvil, ya que muchas veces la app bancaria sabe donde estás y liga tu ubicación con el uso de tu tarjeta, así que si sucede una transacción en un lugar donde no está tu teléfono, posiblemente sea identificada como fraude.

Otra forma en que el machine learning puede saber si se está haciendo una transacción fraudulenta es mediante el aprendizaje “no supervisado”, que se da en la inteligencia artificial cuando por sí sola es capaz de entender patrones en datos que no se han etiquetado. Con el objetivo de descubrir similitudes entre los ejemplos y reunirlos en grupos similares.

De esta manera, el machine learning puede aprender de las transacciones comunes aquella que anomalía que representa un fraude. Sin embargo, tiene un problema: todas las transacciones fraudulentas tienen información anómala, pero no todos los datos anómalos son fraudulentos.

Aunque no es lo único, ya que existe un híbrido entre el aprendizaje supervisado y el no supervisado, en donde se puede etiquetar información que se clasifica como fraude y al mismo tiempo el machine learning comienza a entender los datos no marcados para marcalos como anomalías o transacciones normales.

¿El machine learning puede predecir futuros fraudes?

Supongamos que una institución financiera ya tiene un modelo de machine learning capaz de entender etiquetas y también está aprendiendo por su cuenta, por lo que puede detectar y prevenir fraudes, sin embargo, esto no quiere decir que todo está solucionado.

Ya que los hackers, ladrones o como quieras llamarlos, también se actualizan constantemente y lo que hoy están haciendo, en unos días podrían abandonarlo y todo lo que el sistema aprendió, de nada servirá para un ataque futuro, con un nuevo método y a través de otro canal.

No importa que tan actualizada está, cualquier herramienta de prevención del fraude debe tener la capacidad de adaptarse. Por supuesto, entrenar el modelo desde cero cada vez que se los ladrones intentan una nueva forma no es el método más eficiente. El futuro se vislumbra con un machine learning capaz de adaptarse en tiempo real y sin intrusiones.

Por ahora, todavía se tiene que trabajar en áreas de oportunidad como los falsos positivos, en donde el machine learning predice o identifica algún movimiento como fraudulento cuando es legítimo o viceversa.

Es por eso, que a pesar de que el aprendizaje automatizado parezca infalible, es necesario una ayuda de los humanos. Ya que la experiencia humana nos ha enseñado que todos los problemas a veces se resuelven de la forma más sencilla. Así que a pesar de toda la información, análisis y decisiones que llegue a tomar el machine learning, siempre va a necesitar de gente detrás de él.

Fuentes:

• https://www.visa.es/paga-con-visa/seguridad-en-tus-pagos/visa-advanced-authorization.html
• https://www.businessinsider.com/what-is-machine-learning-2015-10
• https://ieeexplore.ieee.org/abstract/document/8123782

Contenido creado por colaboradores de Pixelco.