Si una institución financiera mira más allá de las exageraciones de AI y modera sus expectativas, puede utilizar la IA para ofrecer resultados comerciales mensurables. Esa ha sido la experiencia de cantidad director de ciencia de la decisión Garrett Laird.

Dado el interés en Chat GPT y las herramientas relacionadas, los rumores recientes en torno a la IA son comprensibles. Como muchos en fintech, Laird recuerda con entusiasmo que la IA ha existido en formas como el aprendizaje automático durante años. Avant ha utilizado el aprendizaje automático en la suscripción de créditos durante al menos una década.

"No es una solución milagrosa", dijo Laird. “Hace algunas cosas muy, muy bien. Pero no resolverá todos sus problemas, especialmente en nuestro espacio. 

“Los productos financieros están muy regulados, ¿verdad? Estos nuevos LLM (grandes modelos de lenguaje) son completamente inexplicables; Son prácticamente verdaderos modelos de caja negra, por lo que limitan las aplicaciones y los casos de uso”.

Por qué la IA es limitada y dónde no lo es

Laird ve casos de uso claros en la detección de valores atípicos y el aprendizaje no supervisado. Él atribuye al fervor actual de la IA el haber despertado el interés en los LLM. A medida que las empresas buscan formas de implementar LLM, también buscan otros tipos de IA.

Las regulaciones impiden que la IA se utilice en todos los sectores de los servicios financieros. Laird citó las numerosas clasificaciones protegidas que dictan cómo y dónde se pueden enviar anuncios y solicitudes. Si su modelo de IA no puede explicar por qué un cliente recibió una oferta y otro no, se está metiendo en problemas.

"El aprendizaje automático se puede utilizar para ser más dócil porque se puede describir empíricamente por qué se toman las decisiones que se toman", dijo Laird. “Cuando hay humanos tomando decisiones… todos tienen sus prejuicios implícitos, y son difíciles de medir o incluso saber cuáles son. 

“Con algoritmos y aprendizaje automático, se puede entender empíricamente si un modelo está sesgado y de qué manera, y luego se puede controlar eso. Si bien existen muchas restricciones por un lado, creo que muchas de las cosas que estamos haciendo con el aprendizaje automático y la IA benefician a los consumidores desde una perspectiva de discriminación y cumplimiento”.

IA y modelos de entrenamiento

Laird dijo que los modelos de capacitación dependen de para qué se utilizan sus sistemas. Los modelos de fraude deben actualizarse rápidamente y con frecuencia con fuentes de terceros, información histórica y datos de consumidores.

Esta es un área en la que ayuda el aprendizaje automático. Las operaciones de aprendizaje automático pueden garantizar que se completen las validaciones adecuadas. Impiden que recopile datos o información discriminatoria de clases protegidas. 

Laird dijo que un cliché de la industria es que el 90% del trabajo de aprendizaje automático es la preparación de datos. Eso tiene dos partes: tener datos relevantes y garantizar que sean accesibles en tiempo real para poder tomar decisiones comerciales valiosas.

El papel subestimado de la IA en la toma de decisiones crediticias

Si bien la concesión de crédito puede no tener la misma urgencia que el fraude, Laird también aconseja considerar cómo puede beneficiarse de la IA. Los modelos de crédito deben contar con sólidos procesos de gobernanza y gestión de riesgos. Necesitan buenos conjuntos de datos. Los prestamistas requieren un conocimiento profundo de sus clientes, lo que, en el caso de las hipotecas, puede llevar años.

"Obtener acceso a los datos correctos es un gran desafío y luego asegurarse de que sean de la población adecuada", dijo Laird. “Esa es una tendencia en la que se está moviendo la industria: modelos específicos de producto pero también de base de clientes. 

“La dirección en la que nos dirigimos es como la democratización del aprendizaje automático para la suscripción de créditos, donde hay modelos que se adaptan perfectamente a su situación única. Esto supone un desafío para muchos bancos porque requiere mucho capital humano. Tenerlo requiere una gran cantidad de datos y no es algo que se obtiene de la noche a la mañana”.

Lea también:

El papel de la IA en la mitigación del fraude depende del tipo de fraude

La IA reduce la barrera de entrada para los estafadores al proporcionarles herramientas sofisticadas y permitirles comunicarse en un inglés de mejor calidad. Combatirlos también implica a la IA como una de muchas capas.

Sin embargo, la IA se utiliza de forma diferente con distintos tipos de fraude. Los estafadores propios pueden evadir los controles de identidad, lo que introduce fricciones para los clientes legítimos. 

El fraude de terceros plantea desafíos a los modelos supervisados. Esos modelos se basan en lo aprendido de casos anteriores de dicho fraude. Se identifican sus características y se desarrollan modelos. La IA puede ayudar a identificar esos patrones rápidamente.

Sin embargo, el proceso es interminable porque los sistemas deben adaptarse rápidamente a medida que los estafadores determinan cómo superar los desafíos de mitigación. Laird dijo que se concentra en eso mediante el despliegue de controles de velocidad.

"Ponemos mucho esfuerzo mental en identificar formas de detectar a estos grupos de malos actores", dijo Laird. “Y hay muchas maneras de hacerlo. Algunos de los interesantes que empleamos son los controles de velocidad. Muchas veces, una red de fraude exhibirá comportamientos similares. Es posible que presenten la solicitud desde una determinada geografía, que tengan el mismo banco desde el que realizan la solicitud o que tengan datos de dispositivo similares. Podrían usar VOIP, cualquier cantidad de atributos similares”.

Laird dijo que algunas instituciones también utilizan el aprendizaje no supervisado. Puede que no tengan objetivos específicos, pero pueden detectar patrones mediante algoritmos de agrupación. Si una población comienza a incumplir o a reclamar fraude, los algoritmos pueden identificar comportamientos similares que necesitan un mayor escrutinio.

El próximo aumento del fraude de cuentas

Las recientes turbulencias en el sector financiero se prestan a un aumento del fraude relacionado con los depósitos. Si las defensas de un banco son deficientes, podrían quedar vulnerables al fraude que ya está ocurriendo.

"Ese es probablemente un problema que ya está empezando a surgir y que sólo empeorará", sugirió Laird. “Creo que con todo el movimiento en los depósitos que ocurrió la primavera pasada, con el SVB y todos los demás eventos, hubo una avalancha de apertura de depósitos.

“Y con eso siempre pasan dos cosas. Hay una afluencia de volumen. Hace que sea más fácil para los estafadores pasar desapercibidos. Además, muchos bancos vieron esto como una oportunidad y probablemente apresuraron las soluciones o redujeron algunas de sus defensas. Creemos que probablemente haya muchas cuentas de depósito inactivas recientemente abiertas que probablemente en un futuro próximo se utilizarán como vehículos para descubrir fraudes”.

Tendencia emergente: modelado de casos específicos

Laird volvió al modelado de casos específicos como una tendencia emergente importante. FICO y Vantage son buenos modelos que muchos usan, pero son genéricos para todo, desde hipotecas hasta tarjetas de crédito y préstamos personales. Lanzar una red amplia limita la precisión y, dada la creciente competencia, son imprescindibles modelos más personalizados.

"Puedo acceder a Credit Karma y obtener 20 ofertas con dos clics de un botón, o puedo ir a 100 sitios web diferentes y obtener una oferta sin afectar mi crédito", observó Laird. "Si estás tratando de competir con eso, si tu precio se basa solo en un puntaje FICO o Vantage, obtendrás ese cliente FICO de 700 que tiende a 650, mientras que alguien con un modelo de crédito más avanzado obtendrá para obtener ese 700 que tiende hacia 750”.

Los datos abiertos son una mina de oro en el modelado

Laird está observando con interés los acontecimientos tras el reciente anuncio de la Oficina de Protección Financiera del Consumidor sobre la banca abierta. Las instituciones financieras deben poner a disposición sus datos bancarios.

Ésa es una mina de oro del modelaje, dijo Laird. Las instituciones financieras tenían una ventaja al otorgar préstamos a sus bases de clientes porque solo ellas pueden acceder a esa información. Ahora que están disponibles públicamente, todas las instituciones financieras pueden utilizar esos datos para tomar decisiones de suscripción. Laird dijo que es fundamental que las instituciones financieras tengan buenas soluciones.

Fraude, aprendizaje automático: otras tendencias de la IA

Las instituciones financieras generalmente adoptan enfoques conservadores respecto de la IA. La mayoría ha utilizado la IA generativa para lograr eficiencias internas, no para interacciones directas con los clientes. Ese momento llegará pero en capacidades limitadas.

Laird reiteró su entusiasmo por el renovado interés en el aprendizaje automático. Él cree que son adecuados para abordar los problemas.

"Estoy entusiasmado de que haya un interés renovado en la inversión y un apetito por comenzar a aprovechar la IA para cometer fraude", afirmó Laird. “Ha estado ahí por un tiempo.

“Creo que el mayor enfoque en la suscripción de créditos es otro tema que me entusiasma mucho porque... con la aparición de las nuevas regulaciones de banca abierta, creo que las instituciones financieras que no las adopten se quedarán atrás. Van a ser seleccionados adversamente; no podrán seguir siendo competitivos. Corresponde a todos empezar a pensar en ello y comprender formas de aprovecharlo no sólo desde el enfoque tradicional del fraude sino cada vez más desde el lado del crédito”.

.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/looking-beyond-the-ai-hype-delivering-real-value-for-financial-institutions/