La inteligencia artificial está redefiniendo la prevención del fraude debido a que obtiene su información de experiencias pasadas. Esta información está constituida por las actividades, comportamientos y tendencias en las transacciones. Antes del uso de la inteligencia artificial los métodos a seguir se basaban en reglas, las cuales permitían analizar patrones de fraude del pasado pero no permitía prevenirlos. Si bien estos modelos basados en reglas podían identificar los intentos de fraude, éstos no proporcionaban información sobre el futuro.
Sin embargo, la precisión con la que se cometen los delitos de fraude ha ido aumentando en los últimos años. Los ataques se vuelven cada vez más precisos y eficientes porque los defraudadores también se ayudan de la tecnología para cometer sus delitos.
Hoy en día, las principales compañías que tienen que enfrentarse a las posibles consecuencias de un fraude, principalmente banca y aseguradoras, necesitan aumentar su precisión y agudeza a la hora de saber si un cliente es un riesgo para la entidad. Las decisiones de aceptar o rechazar un pago, limitar las devoluciones de cargo y reducir los riesgos operativos y de reputación, son ahora mucho más fáciles.
El futuro de la prevención del fraude pasa por la combinación del aprendizaje automático supervisado y del no supervisado. Si el aprendizaje automático supervisado se encarga de encontrar patrones en base a datos históricos como eventos, factores adversos, tendencias, etc… y el aprendizaje automático no supervisado destaca a la hora de encontrar anomalías, interrelaciones y vínculos entre variables, la combinación de ambas metodologías permitiría prevenir el fraude de las siguientes maneras:
Detección en tiempo real. El uso de la inteligencia artificial permite detectar ataques en tiempo real en vez de tener que esperar semanas antes de que empiecen las devoluciones en los cargos.
Frustrar los ataques más sofisticados. Las técnicas de fraude se perfeccionan con el tiempo y se vuelven más sofisticadas. La inteligencia artificial ayudaría a prevenir y atenuar estos ataques.
Scoring en tiempo real. Proporciona a los analistas un scoring con una mejor perspectiva de dónde establecer mejor los límites para maximizar las ventas y minimizar las pérdidas en tiempo real.
Transacciones inmediatas. Los sistemas de prevención de fraude basados en IA permiten aceptar las transacciones de manera inmediata, mientras se mantienen dentro de los umbrales de devolución de cargo de las principales tarjetas de crédito y débito.
Reducción de falsos positivos. Gracias al uso de los aprendizajes automáticos supervisados y no supervisados, las técnicas actuales en las que los falsos positivos no se detectan de manera óptima se reducen. A menudo cuando un cliente paga una cantidad inusual o está en una localización nueva, la tarjeta se bloquea porque el sistema interpreta la anomalía como “sospechosa” de manera errónea. Con el uso de inteligencia artificial es posible identificar con mayor precisión cuándo los hábitos de gasto de un usuario de tarjeta se desvían de la norma.
Rentabilidad en productos de bajo margen. El reto que resuelve la IA es que permite a las aseguradoras seguir siendo rentable y atraer nuevos clientes cuyo historial de compras no forme parte del historial de aprendizaje supervisado de sus sistemas de fraude.
Al aprendizaje supervisado y no supervisado conviene añadirle el conocimiento experto de los analistas, para de esta manera realizar un abordaje mixto en el que los expertos centran su atención en aquellos casos más sospechosos y que han sido detectados por la inteligencia artificial.
