Machine learning y su uso en prevención de fraudes.

En Chile este antiguo tipo de inteligencia artificial se está aplicando en distintas organizaciones que buscan proteger sus sistemas de pago y transacción. 
 
Felipe Mancini, experto en Tecnología de Asimov Consultores, explica cómo funciona la tecnología y el desafío ético por los algoritmos correctos.
 
 
Aunque su existencia se remonta a la década de los 50`, en los últimos años hemos visto mayor auge y aplicación del machine learning. Esta área de la inteligencia artificial se enfoca en el “aprendizaje de máquinas”, donde nuevas capacidades de procesamiento -en computadores de última generación- permiten realizar cálculos en tiempos razonables y tomar sus propias decisiones.
 
 
El mayor uso de machine learning ocurre en la prevención de fraudes a través de internet; tal es su crecimiento a nivel mundial, que sólo en 2017, Stripe, la multinacional tecnológica a cargo de procesar pagos de cientos de millones de clientes evitó fraudes por aproximadamente US$ 4 mil millones, gracias al uso de este tipo de inteligencia artificial.
 
 
En Chile la empresa especialista en el desarrollo de software, inteligencia artificial y visualización de datos, Asimov Consultores, ha aplicado modelos de aprendizaje supervisado para la detección de fraudes, utilizando algoritmos para sistemas de recomendación con buenos resultados.
 
 
 “Ejecutar un proyecto de machine learning en esta materia necesita de una gran cantidad de datos de transacciones fraudulentas y correctas para que un humano las clasifique, de acuerdo a su experiencia. La información se inserta en una máquina, la cual, por medio de métodos estadísticos, busca patrones que identifican las principales variables que inciden en el fraude”, explica el gerente general de Asimov Consultores, Felipe Mancini, respecto al funcionamiento del servicio.
 
El experto de la compañía agrega que a este tipo de tecnología le queda mucho por crecer y explorar, ya que lamentablemente el fraude se puede presentar en diversos tipos de organizaciones, públicas y privadas, es decir, empresas relacionadas a seguros, sistemas de pago, bancos, entrega de subsidios y otros beneficios.
 
 
El éxito del machine learning, aplicado a cualquier área de la industria, requiere de la conjugación de múltiples disciplinas, desde el uso de modelos matemáticos estadísticos, el procesamiento de grandes volúmenes de datos, programación y cómputo en la nube. Sin embargo, hay dos elementos adicionales para un modelo eficiente y eficaz de aprendizaje automático: la ética y la rigurosidad.
 
 
“Muchas veces podemos estar programando y decidiendo en base a algoritmos alimentados con datos mal interpretados, sesgados o manipulados. De ahí el deber de actuar de forma muy responsable y transparente, ya que el pilar fundamental de la confianza del machine learning será la forma en la que gestionemos y gobernemos en el futuro”, puntualiza Mancini.

Publicaciones relacionadas