La lucha contra el lavado de dinero: el aprendizaje automático cambia las reglas del juego

El volumen de lavado de dinero y otros delitos financieros está creciendo en todo el mundo, y las técnicas utilizadas para evadir su detección son cada vez más sofisticadas. Esto ha provocado una respuesta vigorosa de los bancos, que, colectivamente, están invirtiendo miles de millones cada año para mejorar sus defensas contra los delitos financieros (en 2020, las instituciones gastaron un estimado de $214 mil millones en cumplimiento de delitos financieros).1 Estudio de cumplimiento del costo real de delitos financieros, LexisNexis, 2020. Además, las multas regulatorias resultantes relacionadas con el cumplimiento están aumentando año tras año a medida que los reguladores imponen sanciones más duras. Pero los enfoques tradicionales de los bancos basados ​​en reglas y escenarios para combatir los delitos financieros siempre han parecido estar un paso por detrás de los malos, lo que hace que la lucha contra el lavado de dinero sea un desafío continuo para las organizaciones de cumplimiento, monitoreo y riesgo.

Ahora, hay una oportunidad para que los bancos salgan al frente. Las mejoras recientes en el aprendizaje automático (ML) están ayudando a los bancos a mejorar significativamente sus programas contra el lavado de dinero (AML), incluido, y de manera más inmediata, el elemento de monitoreo de transacciones de estos programas. Además, los reguladores estadounidenses están respaldando firmemente estos esfuerzos. Con la inclusión de la Ley contra el lavado de dinero de 2020 y la subsiguiente Estrategia Nacional de Financiamiento Ilícito, las agencias de EE. UU. están reduciendo los obstáculos de las reglamentaciones, la orientación y las prácticas de inspección existentes para alentar a los bancos a probar y adoptar enfoques innovadores para combatir los delitos financieros.2Consulte "Tesoro anuncia 2022 Estrategia Nacional de Financiamiento Ilícito", comunicado de prensa del Departamento del Tesoro de EE. UU., 13 de mayo de 2022; "La FinCEN del Tesoro y las agencias bancarias federales emiten una declaración conjunta que fomenta enfoques innovadores de la industria para el cumplimiento de ALD", Red de Ejecución de Delitos Financieros (FinCEN), Departamento del Tesoro de EE. UU., 3 de diciembre de 2018; y "Iniciativa de innovación de FinCEN", FinCEN, consultado el 27 de septiembre de 2022

Este impulso en la lucha contra los delitos financieros está generando un gran interés en el ML entre los líderes de la industria. A principios de este año, McKinsey invitó a los jefes de antilavado de dinero y delitos financieros de 14 de los principales bancos de América del Norte para discutir la adopción de soluciones de ML en el monitoreo de transacciones. Más del 80 por ciento de los participantes habían comenzado el proceso de adopción de soluciones ML, y la mayoría esperaba dedicar esfuerzos serios a implementar soluciones ML dentro de sus programas AML en los próximos dos o tres años.

En teoría, los bancos pueden aplicar ML en toda la cadena de valor de AML (Anexo 1). Pero creemos que el monitoreo de transacciones, específicamente, la combinación de ML con otros algoritmos avanzados (por ejemplo, bosque aleatorio, aumento de gradiente, aprendizaje profundo), es donde los bancos pueden obtener uno de los beneficios más inmediatos y significativos en sus esfuerzos de AML.

El monitoreo de transacciones, específicamente, la combinación del aprendizaje automático con otros algoritmos avanzados, es donde los bancos pueden obtener uno de los beneficios más inmediatos y significativos en sus esfuerzos contra el lavado de dinero.

Hoy en día, muchas instituciones financieras utilizan herramientas basadas en reglas y escenarios o enfoques estadísticos básicos para el monitoreo de transacciones. Estas reglas y umbrales están impulsados ​​principalmente por las señales de alerta de la industria, los indicadores estadísticos básicos y el juicio de expertos. Pero las reglas a menudo no captan las últimas tendencias en el comportamiento del lavado de dinero. Los modelos de aprendizaje automático, por otro lado, aprovechan datos más granulares e indicativos del comportamiento para construir algoritmos sofisticados. También son más flexibles para adaptarse rápidamente a las nuevas tendencias y mejorar continuamente con el tiempo. Al reemplazar las herramientas basadas en reglas y escenarios con modelos ML, una institución financiera líder mejoró la identificación de actividades sospechosas hasta en un 40 % y la eficiencia hasta en un 30 %.

Al hacer la transición a un modelo ML para el monitoreo de transacciones, los bancos deben abordar tres preguntas clave:

Para empezar, es importante que los bancos entiendan las circunstancias en las que pueden usar ML de manera efectiva y en las que no. El aprendizaje automático es ciertamente ventajoso cuando hay un alto grado de libertad para elegir los atributos de los datos, así como una disponibilidad suficiente de datos de calidad (por ejemplo, en escenarios donde hay un movimiento rápido de fondos y se puede considerar una gran cantidad de atributos) . ML también es apropiado cuando se vuelve difícil identificar la dinámica y las relaciones entre los factores de riesgo.

Sin embargo, ML no es útil cuando no hay suficientes datos existentes para construir inteligencia prospectiva. En estos casos, un enfoque tradicional (herramientas basadas en reglas y escenarios, por ejemplo) podría ser más efectivo.

Cuando se trabaja con informes de actividades sospechosas, los datos de mala calidad conducen inevitablemente a un rendimiento deficiente del modelo. Es importante, por ejemplo, no depender demasiado de las categorías de informes de actividades sospechosas (por ejemplo, estructuración, financiamiento del terrorismo, lavado de dinero, fraude), que están limitadas en el mundo actual. Con esto en mente, las instituciones están explorando una variedad de iniciativas para mejorar la recopilación de datos para sus modelos de ML a fin de brindar un contexto enriquecido para el monitoreo de transacciones. Esto incluye el modelado contra transacciones o casos individuales, componentes de presentaciones de informes de actividades sospechosas o relaciones con clientes terminadas por razones de ALD, y datos de citaciones históricas y otras solicitudes de información de las fuerzas del orden.

Estos modelos de ML más complejos pueden incorporar una amplia gama de nuevos elementos y variables, como los siguientes:

Los modelos de ML son menos transparentes que los basados ​​en reglas, y los equipos de gestión de riesgos de modelos (MRM) y los reguladores exigen cada vez más una mejor "explicabilidad" del modelo, es decir, mejores métodos para interpretar los modelos de aprendizaje automático de "caja negra", que se desarrollan y aprenden directamente. a partir de los datos sin supervisión ni orientación humana, por lo que pueden evaluar los modelos.

En instituciones líderes, los equipos de desarrollo de modelos están trabajando con investigadores de AML para ayudar a garantizar que los equipos comprendan los datos de modelado, creen funciones de modelado interpretables en lugar de un volcado de datos e integren módulos de ML con modelos y herramientas existentes basados ​​en reglas y escenarios (que es decir, el proceso de transición debe aprovechar la plataforma existente, mejorando así el statu quo y no desmantelando por completo). Las instituciones líderes también están comenzando a crear pautas modelo específicas de AML. Algunas de las formas específicas en que los bancos están mejorando la explicabilidad y generando más alertas de alta calidad para los investigadores posteriores incluyen los siguientes métodos:

Hemos identificado tres mejores prácticas que las instituciones financieras líderes pueden usar para adoptar ML para el monitoreo de transacciones AML:

Una de las principales razones por las que los proyectos de ML fallan es por la falta de compromiso de varias partes interesadas, incluidos los equipos de datos, tecnología, línea de negocio, MRM y cumplimiento. Es fundamental involucrar a estas partes interesadas desde el comienzo del proyecto para alinearse con la visión, tomar decisiones de diseño arquitectónico y considerar las compensaciones para todos los procesos de principio a fin (Anexo 2). Esto ayuda a garantizar que se tengan en cuenta todas las actividades habituales y las medidas reglamentarias en curso. Por ejemplo, las instituciones líderes a menudo comenzarán a reunirse con los reguladores hasta un año antes de que comience el desarrollo, y luego durante el proceso de desarrollo, para evitar sorpresas.

En última instancia, recopilar múltiples perspectivas y alinearse con la visión, el diseño y las compensaciones para usar ML mejora la transparencia en toda la empresa mientras descubre y reduce los riesgos. La propuesta de valor está vinculada a la mejora de la eficacia al capturar mejor el riesgo y generar alertas de alta calidad para la investigación posterior; por lo tanto, la eficiencia sigue a la eficacia.

Las transformaciones son algo más que simplemente agregar nuevas tecnologías. Para una transformación exitosa, creemos que los tres elementos clave son los más importantes:

Sin embargo, todas las transformaciones tecnológicas experimentan contratiempos. Los empleados a menudo se resisten a adoptar nuevas formas de trabajar y las nuevas tecnologías pueden presentar riesgos imprevistos. Para ganar apoyo temprano durante la fase piloto y ayudar a minimizar los riesgos, un banco podría ejecutar escenarios de riesgo basados ​​en reglas y escenarios existentes en paralelo con escenarios basados ​​en ML para generar confianza entre las partes interesadas.

Para fomentar aún más la adopción y reducir el riesgo, la empresa puede elegir proyectos que puedan aprovechar las plataformas existentes (aquellas que los empleados ya se sienten cómodos usando) e integrar los nuevos componentes de uno en uno. Idealmente, los bancos comenzarán con la fruta al alcance de la mano: proyectos que ofrecen recompensas potenciales significativas con un riesgo manejable.

Para incorporar soluciones de ML en el marco de monitoreo de transacciones, los equipos de MRM deben hacer lo siguiente:

En la lucha contra el blanqueo de capitales, los bancos tradicionalmente han estado un paso por detrás de los malos. Ahora, los bancos tienen la oportunidad de cambiar el juego. Las técnicas de análisis avanzado, en particular el aprendizaje automático con análisis de red, prometen mejorar drásticamente el monitoreo de transacciones al reducir las tasas de falsos negativos y falsos positivos, y al enviar alertas de mayor calidad a los investigadores contra el lavado de dinero posteriores.3Asuntos bancarios y de valores, "Análisis de red y la lucha contra el lavado de dinero", entrada de blog de Daniel Mikkelsen, Bryan Richardson y Dan Williams, McKinsey, 15 de agosto de 2019. Para la mayoría de los bancos, el desarrollo requiere una inversión significativa de tiempo y recursos. Para obtener el beneficio completo, las instituciones deberán crear un grupo de talentos, crear fuentes de datos confiables y aprovechar el conocimiento de los expertos en la materia. Una tarea difícil, pero vale la pena el esfuerzo dado lo que está en juego.