Si la inteligencia artificial (IA) se implementa adecuadamente, mejora la capacidad de toma de decisiones contra el fraude de las cooperativas de crédito. Provenir's Vicepresidente Ejecutivo para América del Norte Kathy mira fijamente cree.

La detección y prevención del fraude es una prioridad absoluta para las cooperativas de crédito, ya que consideran cómo la IA puede mejorar la prestación de servicios, probablemente porque el fraude las afecta duramente. Según una encuesta reciente, el 79% de las cooperativas de crédito y los bancos comunitarios reportaron más de $500,000 en pérdidas por fraude directo, más que cualquier otro segmento. Según Juniper Research, las empresas de todo el mundo gastarán más de 10 mil millones de dólares cada año en plataformas estratégicas de prevención y detección de fraude financiero basadas en inteligencia artificial en 2027. Eso representa un aumento de más del 50 % con respecto a 2022.

Stares dijo que la IA predictiva permite a las organizaciones financieras optimizar los procesos comerciales. Eso libera recursos y fomenta un enfoque más centrado en el fraude. La IA puede procesar millones de atributos más allá de la capacidad humana para ofrecer una capacidad predictiva eficaz en el modelado de fraude a lo largo del ciclo de vida del cliente.

"Hay tendencias que se identifican, y creo que la clave es la capacidad de ponerlas en práctica en una plataforma de toma de decisiones", dijo Stares.

Las cooperativas de crédito tienen consideraciones únicas sobre la IA

Por diseño, las cooperativas de crédito pueden atraer diferentes tipos de fraude. El diseño de su sucursal y membresía se presta al fraude de identidad y de primera persona. Eso también atrae estafas de ingeniería social.

A medida que integran soluciones de prevención de fraude digital, las cooperativas de crédito deben mantener una alta confianza con su base localizada. Los sistemas deben disminuir los falsos positivos y permitir que los clientes legítimos realicen transacciones sin problemas. Stares dijo que los sistemas basados ​​en inteligencia artificial deben combinarse con decisiones en tiempo real para brindar identificación y alertas tempranas.

Las cooperativas de crédito tienden a tener bases de clientes más homogéneas. La IA es perfecta para identificar rápidamente comportamientos aberrantes. A medida que el modelo reciba más datos, identificará la actividad sospechosa mucho más rápidamente.

"Es importante combinarlo con datos alternativos", aconsejó Stares. “Esto viene y se compara para ver si tiene alguna naturaleza predictiva para identificar el fraude a lo largo del ciclo de vida, como por ejemplo el fraude de eliminación. Introducir datos KYC y AML, potencialmente utilizando datos basados ​​en transacciones donde los clientes le permiten ver sus cuentas bancarias y finanzas reales, será indicativo de cosas que pueden impulsar futuros fraudes. 

"Es por eso que la tecnología es importante para inyectar datos en tiempo real para que pueda utilizarlos... para mejorar los modelos o potencialmente incluir modelos en los que pueda defender/desafiar la naturaleza predictiva de la prevención del fraude a lo largo del ciclo de vida. . Por eso la alerta temprana es clave”.

Los estafadores también utilizan la IA. Les ayuda a girar rápidamente hacia nuevas estrategias a medida que las instituciones se dan cuenta de sus tácticas. Las cooperativas de crédito pueden usarlo para los mismos propósitos: identificar rápidamente actividades sospechosas antes de que se cancelen como colección.

Consideraciones de escala

La IA también desempeña un papel a medida que las cooperativas de crédito se consolidan y ganan escala. Stares dijo que es esencial que la IA esté conectada a todas las bases de datos relevantes, considerando los falsos positivos y observando todo en su totalidad. Los datos son clave. Desarrolle competencia para inyectar datos y luego usar IA para detectar rápidamente el fraude.

"No creo que el tamaño importe", dijo Stares. “El tamaño y la escala pueden generar diferentes tipos de ataques de fraude y cantidad de ataques de fraude, pero creo que la forma en que se manejan es la misma que el uso de IA con inyección de datos alternativa y procesamiento de modelos en tiempo real.

“Si tiene la tecnología adecuada y puede conectarse a todos los silos e ingresar otros datos, ejecútelos en sus estrategias de decisión de la misma manera y trátelos de la misma manera porque ha consolidado los datos. No creo que haya un riesgo significativo. Si no puede hacer eso, puede haber riesgos al tratar a cada población porque podría tener que tratar a cada población de manera diferente. Y es posible que corra el riesgo de obtener mayores falsos positivos”. 

IA predictiva y el toque humano: consideraciones importantes

Si bien la IA generativa está generando más revuelo, las instituciones deberían considerar primero la IA predictiva. Stares dijo que puede ayudar a probar la efectividad de diferentes modelos de detección de fraude. ¿Cuáles generan más falsos positivos, por ejemplo? Los modelos basados ​​en IA también aprenden de sus errores y mejoran con el tiempo.

Y si bien el toque humano tiene su lugar, Stares dijo que también puede obstaculizar la eficacia de la IA. La intervención humana se basa en la experiencia. Si los modelos se vuelven demasiado retrospectivos, su poder predictivo se diluye.

También se debe mantener una experiencia óptima del cliente. La lealtad ya no es lo que solía ser.

“La lealtad a una institución financiera ya no es lo que era”, observó Stares. “Pero si puedes brindar la experiencia y todos los aspectos del producto en un solo lugar, es probable que tu consumidor se quede allí. 

“Por lo tanto, no se puede transferir el riesgo a la experiencia del cliente. Es necesario utilizar la inteligencia artificial y los datos para mitigar el fraude o el riesgo crediticio sin afectar al cliente”.

.pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-radius: 5% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-size: 24px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { font-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-weight: normal !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a:hover { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-user_url-profile-data { color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { text-align: center !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-recent-posts-title { border-bottom-style: dotted !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { border-style: solid !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { color: #3c434a !important; }

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://www.fintechnexus.com/ai-as-a-credit-union-fraud-fighting-tool/