Cómo los bancos fortalecen las estrategias de LBC con Inteligencia Artificial y Aprendizaje Automático

Resumen TL;DR

• El Aprendizaje Automático Federado (FML) permite a los bancos globales fortalecer sus estrategias de Lucha Contra el Blanqueo de Capitales (LBC) preservando la privacidad de los datos.
• Las metodologías de FML, como el Aprendizaje Federado Horizontal y el Aprendizaje Federado Vertical, facilitan la colaboración y la transferencia de conocimientos sin exponer datos confidenciales de los clientes.
• Al aprovechar FML, los bancos pueden mejorar su capacidad para detectar y prevenir la desviación de fondos, contribuyendo a un sistema financiero global más seguro.

En respuesta a la Ley de Lucha Contra el Blanqueo de Capitales (AML) de 2020, la industria financiera está abrazando el potencial transformador de la inteligencia artificial (IA) y el aprendizaje automático (ML) para fortalecer sus estrategias de LBC. Sin embargo, la adopción de estas tecnologías ha encontrado desafíos debido a la naturaleza intensiva en datos de la IA/ML y la necesidad de cumplir con las regulaciones de privacidad de datos. Si bien la era digital ha facilitado transacciones sin fisuras, también ha proporcionado oportunidades para actividades ilícitas como el blanqueo de capitales. 

Los blanqueadores de dinero a menudo emplean la táctica de desviación de fondos, moviendo dinero rápidamente entre cuentas en pequeñas cantidades para evadir la detección. Detectar y prevenir estas tácticas intrincadas es un desafío significativo para las instituciones bancarias globales, especialmente considerando las estrictas leyes de privacidad de datos como el Reglamento General de Protección de Datos (GDPR). Aquí es donde el aprendizaje automático federado (FML) puede desempeñar un papel vital en el fortalecimiento de las estrategias de LBC.

Visión general del Aprendizaje Automático Federado

El Aprendizaje Automático Federado (FML) es un camino descentralizado hacia el aprendizaje automático que prioriza la privacidad de los datos manteniendo la información sensible en servidores locales mientras permite obtener perspectivas globales. Comprende tres metodologías esenciales: Aprendizaje Federado Horizontal (HFL), Aprendizaje Federado Vertical (VFL) y Aprendizaje Federado por Transferencia (FTL). HFL permite a los bancos con estructuras de datos similares pero dueños de datos diferentes entrenar modelos de aprendizaje automático locales y compartir solo los parámetros del modelo sin exponer los datos sensibles en sí mismos. 

VFL facilita la colaboración entre diferentes departamentos dentro de un banco que posee diferentes tipos de datos sobre el mismo conjunto de clientes. FTL implica aprovechar un modelo preentrenado en un conjunto de datos y ajustarlo finamente en otro, permitiendo la transferencia de conocimientos de una región a otra. Estas metodologías de FML ofrecen técnicas poderosas para preservar la privacidad de los datos mientras se aprovechan los beneficios del aprendizaje automático a escala global.

El proceso de FML: Un enfoque paso a paso

Aquí hay un esquema del proceso de FML:

1. Inicialización: El servidor inicializa un modelo global con pesos aleatorios y distribuye este modelo a los clientes participantes.

2. Entrenamiento local: Cada cliente realiza actualizaciones locales del modelo basadas en sus propios datos, utilizando técnicas como el descenso de gradiente estocástico (SGD) u otros algoritmos de optimización.

3. Actualización del modelo: Cada cliente envía sus actualizaciones locales del modelo de vuelta al servidor, lo cual solo incluye los parámetros del modelo y excluye los datos en bruto, salvaguardando la privacidad del cliente.

4. Agregación global: El servidor agrega las actualizaciones locales del modelo, típicamente calculando un promedio ponderado, para crear un modelo global actualizado.

5. Iteración: El servidor envía el modelo global actualizado de vuelta a los clientes, y el proceso se repite durante varias rondas hasta que el modelo global cumple con los criterios de rendimiento deseados.

6. Evaluación: Una vez que el modelo global está finalizado, su rendimiento puede evaluarse en un conjunto de datos de validación separado o utilizando métricas adicionales según sea necesario.

LBC y FML: Un enfoque sinérgico

FML tiene un enorme potencial para mejorar las estrategias de LBC, particularmente en la detección de desviación de fondos. Exploremos un caso de uso para cada metodología de FML:

Aprendizaje Federado Horizontal (HFL) y LBC

Supongamos que dos unidades comerciales regionales de un banco global, ambas operando dentro de la UE y sujetas a las regulaciones GDPR, buscan mejorar sus capacidades de detección de desviación de fondos mientras cumplen con las leyes de privacidad. Con HFL, cada unidad puede entrenar un modelo de ML local para identificar patrones sospechosos asociados con la desviación de fondos. Luego pueden compartir los parámetros del modelo, en lugar de los datos de los clientes en sí, con un servidor central. El servidor agrega estos parámetros para crear un modelo global mejorado, que posteriormente se comparte de vuelta con cada unidad regional. Este enfoque asegura que los datos de los clientes permanezcan dentro del banco local, abordando efectivamente las preocupaciones de privacidad bajo el GDPR.

Aprendizaje federado vertical (VFL) y LBC

Considere una única unidad regional dentro de la UE que consta de dos departamentos: el departamento bancario con datos de transacciones bancarias de clientes y el departamento de transferencias bancarias con datos sobre transferencias internacionales realizadas por los mismos clientes. Ambos departamentos buscan colaborar para mejorar la detección de desviación de fondos mientras mantienen la privacidad de los datos. VFL permite a estos departamentos entrenar conjuntamente un modelo utilizando sus características combinadas, sin compartir datos confidenciales de los clientes. Al hacerlo, se pueden identificar patrones indicativos de desviación de fondos, como grandes depósitos seguidos de transferencias internacionales rápidas. Es importante destacar que los datos de los clientes no necesitan consolidarse en una sola base de datos, asegurando el cumplimiento de los requisitos del GDPR.

Aprendizaje federado por transferencia (FTL) y LBC

Imagínese un banco global con operaciones en la Región A (dentro de la UE, regida por el GDPR) y la Región B (fuera de la UE con diferentes regulaciones de privacidad). El banco posee un modelo de LBC bien performante entrenado en datos de la Región A, pero encuentra que este modelo tiene un rendimiento deficiente en la Región B debido a condiciones económicas y patrones de transacción distintos. Con FTL, el banco puede tomar el modelo entrenado en datos de la Región A y ajustarlo finamente utilizando datos de la Región B. 

Este enfoque permite al banco aprovechar los conocimientos de la Región A mientras se adapta a las condiciones específicas de la Región B. La Región B solo recibe los parámetros del modelo y no los datos específicos de los clientes de la Región A, asegurando el cumplimiento del GDPR mientras se benefician de la transferencia de conocimientos. Como consecuencia, la capacidad del banco para detectar posible desviación de fondos en ambas regiones mejora significativamente.

FML está revolucionando los esfuerzos de LBC proporcionando una herramienta poderosa para combatir el blanqueo de capitales mientras se mantienen las preocupaciones de privacidad abordadas por el GDPR. A medida que navegamos por un futuro cada vez más digital, integrar tecnologías de vanguardia como FML puede tener un impacto significativo en garantizar la seguridad de nuestros sistemas financieros. Al incorporar FML en sus estrategias de LBC, los bancos pueden mejorar su capacidad para detectar y prevenir actividades ilícitas como la desviación de fondos. Esto, a su vez, crea entornos financieros más seguros para los clientes y contribuye a un sistema financiero global más seguro.