Estudiante colombiano creó un algoritmo que fortalece la prevención de lavado de activos en bancos

De acuerdo con la Unidad de Información y Análisis Financiero, para 2024, los movimientos de dinero asociados a lavado de activos en el país rondaban un valor cercano a los 12 billones de pesos anuales. Se trata de una problemática que, a pesar de los esfuerzos regulatorios, parece no detenerse.

Santiago Leonardo Delgado Mejía, magíster en Ingeniería de Sistemas y Computación de la Universidad Nacional, explica que la ley colombiana obliga a las entidades financieras a realizar un control estricto del origen de los capitales de sus usuarios mediante la ley 1121 de 2006, el decreto 1872 de 1992 y las regulaciones que la Superintendencia Financiera estime pertinentes.

Dentro de esas normas existen requerimientos como sistemas de detección de transferencias por valores elevados y retiros de cifras poco habituales, que pretenden detectar conductas sospechosas y realizar alertas a las autoridades, previa investigación autónoma, para tomar las acciones correspondientes.

No obstante, asegura Delgado, estos esquemas son poco eficientes y limitados en su alcance, ya que existen más comportamientos a tener en cuenta, como intercambios o consignaciones poco frecuentes desde fuentes desconocidas. “Son demorados y erráticos, lo que hace que los analistas pierdan tiempo con falsas alarmas”, dice.

TGATLike

Ampliar

Cerrar

Delgado Mejía es consciente de ese contexto, pues desde hace años trabaja en el área de tecnología para una fintech colombiana. Por ello, y con motivo del proyecto de investigación para la maestría que realizó en la UNAL, estructuró un algoritmo que hace frente a los desafíos actuales del ecosistema que lucha contra el lavado de activos: TGATLike.

En sus palabras, es un modelo de machine learning que usa inteligencia artificial y que mejora la eficiencia y eficacia de las técnicas usadas actualmente por las organizaciones oficiales. “Después de realizar las pruebas necesarias, encontramos que mi prototipo tiene un acierto del 71 % versus el de los protocolos actuales, que es del 27 %. Esto reduce el número de ‘falsos positivos’ que los funcionarios deben evaluar”, asevera el investigador.

La innovación creada por Delgado no solo superó las métricas, también derribó algunas barreras vitales para, como él dice, “encontrar la aguja en el pajar”. Por un lado, esta tecnología establece tendencias y encuentra traslados atípicos entre cuentas, lo que permite identificar comportamientos sospechosos sin restricciones de montos.

Más sobre desarrollos colombianos: IA ayuda a medir el valor ambiental de los manglares en Colombia

Paralelamente consiguió que el seguimiento fuera continuo, es decir, que se adaptara al ritmo y al tiempo en que se generan los movimientos bancarios, lo que reduce el lapso entre que se determina una alerta y el momento en que se producen las entradas o salidas de dinero.

Para lograr todo lo anterior, el experto utilizó una base de datos ficticia fabricada por IBM en 2024, que viene con un simulador financiero que proyecta hasta 5 millones de transacciones de 500.000 clientes diferentes.

Luego de realizados los ensayos de rigor, Delgado se asesoró con agentes del sistema financiero real para entender cómo funcionan las estrategias que ellos usan para emitir sus alertas, para comparar ambos diseños. Fue entonces cuando concluyó que su invento funcionaba óptimamente.

“Logramos que hiciera un mapa en tiempo real de toda la red y que evolucionara conforme pasaban las horas. Eso suprimió el componente estático de los procedimientos tradicionales”, explica.

Luis Fernando Niño, magister en Ciencias Matemáticas de la UNAL y doctor en Ciencias de la Computación de La Universidad de Memphis, además de evaluador del proyecto de Delgado, explica que el modelo puede funcionar en cualquier institución bancaria y que la metodología usada garantizan los resultados obtenidos.

“Es posible que se necesite hacer una adaptación para el banco en particular, revisar sus patrones de transacciones y codificarlas, pero el modelo puede usarse y entre mayor número de datos se tenga mejor, se podrían hacer pruebas que amplíen su capacidad, eso es lo bueno de la inteligencia artificial, que puede entrenarse”, dice Niño.

¿Qué sigue?

Ampliar

Cerrar

Al reducir el porcentaje de falsas alarmas, TGATLike repercute en una mayor eficiencia en el uso de recursos financieros y humanos. “Los funcionarios ya no deberían perder tanto tiempo en encontrar casos reales y eso permite mejorar la productividad de las organizaciones”, sostiene Delgado.

Asimismo, el especialista explica que, a pesar de que al final del proceso siempre debe existir una persona validando cada situación, la idea es probar el modelo con técnicas de uso no supervisadas para agilizar los métodos de seguimiento a los movimientos bancarios.

Por último, con el fin de mejorar la calidad y la cantidad de datos de los que disponen las instituciones financieras, el experto sugiere mejorar la construcción de los perfiles de los clientes para nutrir de más insumos la red y de esa manera ser más preciso en las indagaciones.

Podría interesarle:

Emprendimientos protagonizados por mujeres tech

SPARROW, la IA que promete transformar el monitoreo de fauna en la Amazonia