Cómo puede el machine learning ayudar a las entidades financieras para evitar delitos

Organizaciones mexicanas a cargo de proyectos de transformación digital observaron que algunas empresas financieras han incluido personal de seguridad cibernética en el 96 por ciento de las ocasiones. Además, en 44% de los casos también se han incluido trabajadores que salvaguarden la privacidad de las compañías. Dichos datos fueron presentados en el último Reporte de Ciberseguridad del Banco Interamericano de Desarrollo, publicado en 2020. Lo anterior indicaría, según el documento citado, un presunto interés de las entidades financieras en prevenir el fraude bancario.

Karthik Tadinada, director de operaciones de Featurespace, explicó a NotiPress que la delincuencia financiera actúa como una enfermedad, porque evoluciona, muta y se propaga. "La vacuna de esta enfermedad para las organizaciones financieras se llama machine learningachine learning. Es el antídoto y la clave de la inmunización para combatir la enfermedad, mientras se aprende de los ataques pasados con la finalidad de poder fortalecerse contra futuras amenazas", aseguró.

Durante un tiempo, los fraudes eran prevenidos por las entidades financieras con respuestas desproporcionadas y agresivas. Esto porque se bloqueaba la tarjeta de crédito en caso de detectar una actividad sospechosa. Sin embargo, según lo explicado por Featurespace a NotiPress, esta no es una forma viable de combatir el fraude, porque opera a una velocidad nunca antes vista.

En ese sentido, sería importante detectar las anomalías del sistema inmunitario de la organización con el fin de erradicar y combatir las estafas, aseguran los expertos de la empresa antes mencionada. La detección de estas irregularidades se enfoca a reconocer patrones de transacciones financieras habituales, quizá inusuales, pero potencialmente dañinas. Al respecto, datos del Foro Económico Mundial, liberados en 2022, muestran que más del 90% de los episodios previos a un ciberataque pasan por un error humano. Ahí radicaría la relevancia de la capacitación constante en este tipo de áreas.

Por ello, el machine learning sería una opción viable para cualquier entidad financiera desde el punto de vista de Tadinada. La explicación lógica a esto es que permite distinguir entre el comportamiento real y el fraudulento. De ese modo, un banco puede aprender sobre los comportamientos de gasto típicos de cada cliente y determinar cuál es la vida financiera de este último. Pero en caso de presentar una compra anormal, el sistema puede detectarlo y así, hallar el patrón de orden delictivo.

En caso de que haya una sospecha en los pagos, se aplicaría una medida proporcional e inmediata. Pero si el sistema detecta comportamientos similares, después conocerá la forma más adecuada de responder. De esta manera, las entidades financieras podrían repeler más fácilmente esta clase de delitos. Asimismo, al responder a los crímenes financieros en tiempo real, permite a las empresas financieras tener una ventaja sobre los estafadores.