En el mundo moderno, los algoritmos están presentes en la mayoría de las decisiones que las personas toman cada día: desde qué almorzar, qué película mirar para distraerse luego de un día agitado hasta con quién “matchear” una nueva cita.
El machine learning es una disciplina del campo de la Inteligencia Artificial que, a través de estos algoritmos, dota a los ordenadores de la capacidad de identificar patrones en grandes volúmenes de datos y elaborar predicciones.
Esta tecnología le permite a las máquinas “aprender” acerca del comportamiento de sus distintos usuarios, procesar enormes volúmenes de información y traducirlo en nuevas y mejores propuestas que enriquecen la vida de los clientes.
Los usos del machine learning
Sus usos son, hoy en día, ilimitados: desde recomendaciones en los distintos motores de búsqueda de las apps centrados en los intereses de los usuarios, hasta el manejo de vehículos inteligentes. Incluso, el sistema de salud puede beneficiarse de esta tecnología, ya que la capacidad de los algoritmos para procesar más información y detectar puede utilizarse para advertir los factores de riesgo de enfermedad en poblaciones grandes.
Las empresas del mundo financiero hace años que utilizan estos sistemas en la prevención del fraude o en la evaluación del score crediticio de las personas. Compañías como PayPal emplean el machine learning para combatir el blanqueo de dinero; la firma posee herramientas que comparan millones de transacciones y les permite distinguir con precisión entre transacciones legítimas y fraudulentas, entre compradores y vendedores.
El machine learning y la prevención del fraude
Las entidades bancarias hacen uso de estas funcionalidades para prevenir y detectar los fraudes, sobre todo los relacionados a compras con tarjetas de crédito. Los algoritmos que usan son entrenados para aprender a reconocer los patrones de comportamiento habituales en la comisión de fraudes y ser capaces de bloquear nuevas operaciones que consideren “sospechosas”.
Sin embargo, muchas veces la inteligencia artificial cae en una trampa y ocurren los llamados “falsos positivos”: Por ejemplo, si un cliente paga una cantidad inusual o está en una localización nueva, la tarjeta se bloquea, porque interpreta que la operación inusual es “sospechosa”.
En este punto es importante mejorar la performance de los sistemas tradicionales basados en reglas y también aumentar la profundidad y la precisión de las herramientas para que puedan detectar patrones de comportamiento fraudulento más complejos.
Otro de los usos para el sistema financiero es todo lo relacionado con el score crediticio “no tradicional” o alternativo. La banca tradicional suele darle créditos a personas que cumplan con una serie de parámetros más o menos fijos, y eso deja por fuera a un universo grande de personas que no consigue financiarse en este tipo de entidades. El machine learning puede servir como herramienta para la inclusión financiera, al recolectar información sobre el comportamiento, los ingresos, los gastos y el historial de pagos de las personas. Además, esto puede servirle a las entidades financieras tradicionales o fintech para ofrecer servicios financieros diseñados “a medida” de cada uno de sus clientes y administrar mejor el crédito de sus carteras.
En otras palabras, el machine learning le da a las empresas y organizaciones la capacidad de predecir un futuro para sus negocios donde siempre encuentren nuevas posibilidades de crecer.
trak.e, la plataforma regtech de Poincenot, utiliza métodos de machine learning para detectar patrones complejos que indiquen una actividad inusual en el comportamiento transaccional del usuario.