La inteligencia artificial, un aliado de los bancos para prevenir riesgos
El interés del sector financiero por la inteligencia artificial (IA) es muy elevado: se estima que en 2020, la inversión del sector financiero en esta tecnología ascienda a 10.000 millones de dólares. Pero también es elevada la incertidumbre que genera. El Foro Económico Mundial advierte que el sensacionalismo merma los beneficios del uso de inteligencia artificial en las finanzas. Frente a esta creencia, los expertos afirman que la IA ayuda más a prevenir y mitigar riesgos que a generarlos.
Los datos son un activo esencial para la gestión de riesgos en todas las industrias, y también en la banca. La ingente cantidad de datos que se generan en la actualidad hace en ocasiones complicado su análisis para detectar posibles riesgos. Asimismo, la adecuada gestión de los datos es esencial para evitar casos como el de Facebook. Por ello, muchas entidades se aprovechan de los avances tecnología para poner la inteligencia artificial a trabajar en la detección de riesgos.
Así, el uso de la inteligencia artificial y ‘machine learning’ para gestionar riesgos es especialmente útil a la hora de manejar y evaluar datos desestructurados - es decir, aquellos datos que no son fácilmente clasificables en categorías. Las tecnologías cognitivas, como los procesadores de lenguaje natural y los algoritmos avanzados sirven para analizar textos e identificar sentimientos y otro tipo de información a partir de datos no estructurados, explica un informe de Deloitte.
Según este mismo informe, teniendo en cuenta que el 90% de los datos que se generan hoy en día son desestructurados, la aplicación de inteligencia cognitiva puede ser todo un revulsivo para las empresas. Las compañías que usen este tipo de tecnología podrían anticiparse y gestionar de forma proactiva los riesgos como ventaja competitiva.
En un artículo publicado por Ernst&Young se apunta también al uso de la inteligencia artificial para crear herramientas que monitoricen y analicen actividades en tiempo real. Es más, explica, dado que estos sistemas se pueden adaptar a entornos de riesgo cambiantes, pueden evolucionar de sistemas de alerta temprana a sistemas de aprendizaje temprano que evitan que las amenazas se materialicen de manera real.
Ejemplos reales del uso de IA y ‘machine learning’
Son varios los ejemplos del uso de la IA para prevenir y mitigar riesgos. Uno sería la detección del fraude. No sólo permite analizar más cantidad de datos para detectar actividades fraudulentas sino que es capaz de aprender y generar patrones estandarizados que ahorren mucho esfuerzo a la hora de detectar un fraude parecido otra vez. Es decir, si el análisis cognitivo identifica algo como fraude, la máquina aprende y la próxima vez lo identificará automáticamente. El ordenador aprende y es cada vez más inteligente. Y a medida que los sistemas cognitivos de detección del fraude aprenden, serán capaces de detectar fraudes más complejos, una ventaja con gran impacto en la gestión riesgos.
Otro ejemplo es el uso del ‘machine learning’ para respaldar predicciones más informadas sobre la probabilidad de que un individuo u organización incumpla un préstamo o un pago, y puede usarse para construir modelos de pronóstico de ingresos. De esta forma, la capacidad de estos modelos de aprendizaje automático para analizar grandes cantidades de datos —financieros y no financieros— puede mejorar las capacidades analíticas en la gestión de riesgos y el cumplimiento, ayudando a los analistas a tomar decisiones más informadas.
Estos sistemas ayudan también a detectar comportamientos fraudulentos dentro de la propia organización. Así, las entidades financieras también pueden usar sistemas automatizados para controlar a sus ‘traders’: vinculan la información comercial con otra información sobre su comportamiento, como el tráfico de correo electrónico o su calendario. Las aplicaciones son múltiples: monitorear, riesgos generados por proveedores, detectar ciberataques, etc.