AI Spotlight
Transformando la detección del fraude en la banca en línea con IA
Descubra cómo la IA Híbrida mejora significativamente la detección del fraude en el sector financiero combinando análisis avanzados, reconocimiento de patrones y experiencia humana. La IA Híbrida aborda eficazmente los cambiantes y complejos patrones de fraude en la banca en línea. Además, la integración de estas tecnologías agiliza el trabajo de los analistas de casos, haciendo que la prevención del fraude sea más eficiente y precisa.
Beneficios clave
- Reducción en los falsos positivos: La IA Híbrida disminuye los falsos positivos en la detección del fraude.
- Priorización de alertas: Las alertas de alto riesgo se destacan y las de bajo riesgo se filtran, lo que mejora los tiempos de respuesta y la calidad del servicio, al mismo tiempo que se reduce la carga cognitiva de los investigadores.
- Mejora de la toma de decisiones y transparencia: La combinación de aprendizaje de máquina (ML, Machine Learning) y experiencia humana mejora la precisión de las decisiones, mientras que los modelos cognitivos y de ML interpretables garantizan una toma de decisiones transparente.
Caso de uso
Descripción
- Una empresa de servicios bancarios y financieros recientemente adoptó el enfoque de IA Híbrida de INFORM, que combina algoritmos de ML con inteligencia cognitiva y perfiles dinámicos para mejorar la detección del fraude en los servicios bancarios y de pago en línea.
- Este método redujo significativamente los falsos positivos en comparación con el uso exclusivo de un sistema basado en el conocimiento, lo que se tradujo en notables mejoras en la detección y prevención de actividades ilícitas.
- Además, nuestro software optimizó la asignación de recursos priorizando las alertas críticas y minimizando la gestión de alertas innecesarias para los investigadores de casos, logrando un equilibrio entre la eficiencia automatizada y el criterio humano.
Cómo se hace
- Con la toma de decisiones basada en el conocimiento ya implementada, la integración de aprendizaje de máquina fue fácil y fluida. Inicialmente funcionando como un complemento, la aplicación generó resultados significativos de inmediato.
- Se priorizaron las alertas generadas por el sistema basado en conocimiento, mejorando la investigación de los casos al permitir a los investigadores centrarse en los casos relevantes y usar las explicaciones de ML para una toma de decisiones informada.
- Tanto el cliente como nuestro equipo quedaron satisfechos con el proceso y los resultados, lo que demuestra nuestra capacidad para ejecutar este tipo de proyectos de forma eficiente sin suponer un gran esfuerzo.
¿Sabías qué?
- Investigar las alertas de posibles fraudes puede representar un gasto importante para los bancos, ya que los costos por alerta suelen oscilar entre los $25 y $50 dólares. Esto puede suponer una carga financiera considerable, especialmente para los bancos que manejan grandes volúmenes de alertas al año, lo que puede dar lugar a gastos multimillonarios. Estos costos incluyen los recursos necesarios para investigaciones exhaustivas y el tiempo del personal necesario para gestionar y analizar eficazmente las alertas, según señala NerdWallet.
- El costo por fraude para los bancos es considerable, particularmente en la banca en línea. Según el ABA Banking Journal, los bancos incurren en gastos adicionales de aproximadamente $4,36 por cada dólar perdido por fraude, debido a costos relacionados, como honorarios legales y esfuerzos de recuperación. Esto significa que el impacto financiero va mucho más allá de la transacción fraudulenta inicial.