La tecnolog\u00eda de aprendizaje autom\u00e1tico puede contrarrestar los par\u00e1metros est\u00e1ticos del cliente que no siempre ayudan a establecer la puntuaci\u00f3n de riesgo correcta del cliente debido a diferentes factores, como la frecuencia de cambio en el comportamiento del cliente, los asociados conocidos y los datos transaccionales. <\/p>\n\n\n\n
La tecnolog\u00eda de ML puede tener en cuenta algunos par\u00e1metros que pueden no variar con el tiempo, por lo que los clientes pueden permanecer en la misma banda de puntuaci\u00f3n de riesgo independientemente de la transacci\u00f3n o actividad actual. Esto se considera un inconveniente significativo de los actuales modelos de calificaci\u00f3n de riesgo utilizados por las instituciones financieras, que requieren un proceso de diligencia debida del cliente<\/a> basado en el ML para centrarse en los clientes de categor\u00eda de alto riesgo, como las PEP, o en las transacciones de alto riesgo, como la ejecuci\u00f3n de transacciones transfronterizas de alto riesgo por parte de los clientes. <\/p>\n\n\n\n Adem\u00e1s, en los \u00e1mbitos del cumplimiento de AML y KYC, el uso de la tecnolog\u00eda ML puede reducir los riesgos de definir escenarios de transacciones irrelevantes, umbrales que conducen a la generaci\u00f3n de falsos positivos excesivos. <\/p>\n\n\n\n El uso de ML permite una calificaci\u00f3n de riesgo din\u00e1mica para el cliente o una revisi\u00f3n de puntuaci\u00f3n, que permite la revisi\u00f3n del n\u00famero o puntuaci\u00f3n de riesgo en funci\u00f3n de los par\u00e1metros de riesgo intr\u00ednsecos y din\u00e1micos actuales del perfil del cliente. El riesgo intr\u00ednseco se captura principalmente a trav\u00e9s de la transacci\u00f3n del cliente o sus atributos no transaccionales que se determinan a trav\u00e9s de archivos de datos del cliente, datos de alertas de transacciones pasadas, actividades relacionadas con delitos financieros reportadas en el pasado y otras caracter\u00edsticas de riesgo. <\/p>\n\n\n\n Los requisitos de AML se centran m\u00e1s en explicar la l\u00f3gica detr\u00e1s del perfil de riesgo del cliente y la calificaci\u00f3n realizada por las instituciones financieras. Para justificar la calificaci\u00f3n o el perfil de riesgo del cliente, las instituciones financieras necesitan <\/em>adoptar una tecnolog\u00eda de cumplimiento normativo basada en IA para garantizar un perfil o calificaci\u00f3n de riesgo del cliente espont\u00e1neo o en tiempo real. <\/p>\n\n\n\n La diligencia debida del cliente<\/a> (DDC), incluida la diligencia debida reforzada<\/a> (EDD), se aplicar\u00eda utilizando t\u00e9cnicas basadas en IA y ML para cambiar la calificaci\u00f3n de riesgo del cliente y hacer que el proceso de supervisi\u00f3n de la lucha contra el blanqueo de capitales sea m\u00e1s eficaz, seg\u00fan los requisitos reglamentarios.<\/p>\n\n\n\n Los requisitos de cumplimiento de AML requieren la identificaci\u00f3n del beneficiario final y el uso de la tecnolog\u00eda de ML puede ayudar en la identificaci\u00f3n de los beneficiarios finales utilizando datos precisos, completos y m\u00e1s recientes sobre el beneficiario final (UBO) proporcionados por las autoridades reguladoras o disponibles en portales de datos de beneficiarios finales confiables y relevantes. <\/p>\n\n\n\n Los cambios mencionados son obligatorios para que las instituciones financieras los implementen en el proceso de monitoreo continuo. La incorporaci\u00f3n de los cambios en el RRC permitir\u00e1 a las entidades racionalizar su proceso y metodolog\u00eda de calificaci\u00f3n del riesgo de los clientes y mejorar el escrutinio y la investigaci\u00f3n de las transacciones. <\/p>\n\n\n\n La creciente presi\u00f3n regulatoria ejercida sobre las instituciones para que utilicen m\u00e1s procedimientos estad\u00edsticos de cumplimiento de KYC basados en IA, como en la Ley de Secreto Bancario (BSA), el cumplimiento de AML est\u00e1 empujando a las instituciones a reemplazar el enfoque heur\u00edstico de CRR basado en reglas por un modelo de CRR bien establecido y basado en estad\u00edsticas. <\/p>\n\n\n\n Los m\u00e9todos de ML est\u00e1n disponibles para cuantificar el riesgo de los clientes en funci\u00f3n de sus cualidades. Entre las alternativas, la t\u00e9cnica mejor y m\u00e1s adecuada es la que puede cubrir las tipolog\u00edas disponibles y\/o identificar nuevas tipolog\u00edas. La visi\u00f3n hol\u00edstica del riesgo del cliente controlar\u00e1 la ocurrencia de falsos positivos excesivos sin comprometer la cobertura de escenarios de transacciones establecidos o previstos. <\/p>\n\n\n\n Las etapas del enfoque de la RRC pueden incluir: <\/strong><\/p>\n\n\n\n Ingenier\u00eda de caracter\u00edsticas <\/strong><\/p>\n\n\n\n El proceso de ingenier\u00eda de caracter\u00edsticas requiere que los algoritmos de ML funcionen. Los algoritmos de ML con funciones inteligentes producen resultados precisos, y la ingenier\u00eda de caracter\u00edsticas puede aportar valor matem\u00e1tico al conocimiento subjetivo de los datos de los clientes. Por ejemplo, una red de cuentas con casos sospechosos puede definirse objetivamente en el paso de ingenier\u00eda de caracter\u00edsticas. Se pueden crear muchas caracter\u00edsticas en funci\u00f3n de la evoluci\u00f3n de las tipolog\u00edas de delitos financieros. <\/p>\n\n\n\n Red Neuronal Artificial (RNA) <\/strong><\/p>\n\n\n\n ANN es una t\u00e9cnica de aprendizaje profundo supervisado para descubrir patrones en los datos. Puede actualizar los pesos\/coeficientes por s\u00ed mismo. ANN es una t\u00e9cnica poderosa para aprender relaciones complejas y no lineales y proporciona resultados precisos. Su \u00fanico inconveniente es que el modelo final no es visible. <\/p>\n\n\n\n Agrupamiento <\/strong><\/p>\n\n\n\n La agrupaci\u00f3n en cl\u00fasteres es una t\u00e9cnica de aprendizaje autom\u00e1tico no supervisada que ayuda a descubrir agrupaciones naturales en los datos. Se puede utilizar para definir bandas de riesgo en funci\u00f3n de las caracter\u00edsticas del cl\u00faster y la distribuci\u00f3n del segmento de riesgo del cliente existente. La clase mayoritaria se asigna como banda de riesgo para el cl\u00faster. <\/p>\n\n\n\n Desarrollo de modelos <\/strong><\/p>\n\n\n\n Los modelos estad\u00edsticos basados en el aprendizaje autom\u00e1tico se basan en metodolog\u00edas y enfoques estad\u00edsticos bien establecidos que han sido examinados, revisados y publicados en revistas acad\u00e9micas. La mayor\u00eda de los modelos estad\u00edsticos que utilizan las empresas financieras para la RRC son predictivos, como la regresi\u00f3n lineal, la regresi\u00f3n log\u00edstica binaria u ordinal, los \u00e1rboles de decisi\u00f3n (todos los tipos) y las redes neuronales. La aplicaci\u00f3n y los objetivos de calificaci\u00f3n de riesgo determinan el modelo que la empresa selecciona. Para la RRC, los modelos de regresi\u00f3n log\u00edstica binaria u ordinal son los m\u00e1s comunes. <\/p>\n\n\n\n Retroalimentaci\u00f3n <\/strong><\/p>\n\n\n\n En el marco de calificaci\u00f3n din\u00e1mica de riesgos, el algoritmo aprende con el paso del tiempo. Aumenta la puntuaci\u00f3n de riesgo de los clientes cuyas actividades percibe como anormales y minimiza la puntuaci\u00f3n de riesgo del cliente para aquellos que muestran actividades o comportamientos de riesgo, pero en una transacci\u00f3n o escenario \u00fanico. <\/p>\n\n\n\n La RRC debe definirse con precisi\u00f3n para el per\u00edodo hist\u00f3rico anterior al desarrollo del modelo. Si el riesgo actual del cliente no refleja la calificaci\u00f3n de riesgo correcta, la muestra puede extraerse de esa poblaci\u00f3n en la que la calificaci\u00f3n de riesgo del cliente se asigna con precisi\u00f3n. La muestra debe ser lo suficientemente grande como para generalizar los resultados del modelo. <\/p>\n\n\n\n Se pueden utilizar diferentes fuentes de datos para el modelo CRR, por ejemplo, datos transaccionales, datos de redes de delitos financieros, datos de rendimiento, archivos de informaci\u00f3n al cliente, etc. Es posible que sea necesario aplicar comprobaciones de integridad de los datos del cliente para garantizar la integridad y la calidad de los datos del cliente. <\/p>\n\n\n\n Las variables de las fuentes de datos de los clientes pueden incluir el historial de comportamientos delictivos, la presentaci\u00f3n de casos, el n\u00famero de veces que el cliente cambi\u00f3 de direcci\u00f3n, el n\u00famero de cuentas inactivas, las transacciones en pa\u00edses de alto riesgo, las relaciones comerciales con delincuentes o personalidades de alto riesgo, etc. En el modelo CRR, se pueden crear muchas caracter\u00edsticas diferentes y vincularlas entre s\u00ed para cubrir \u00e1reas de riesgo relacionadas con el perfil del cliente. <\/p>\n\n\n\n La digitalizaci\u00f3n ha transformado el panorama financiero, ofreciendo una comodidad sin precedentes en cuanto a la accesibilidad y las transferencias de fondos. Sin embargo, con esta evoluci\u00f3n viene el desaf\u00edo de combatir nuevas v\u00edas para los delitos financieros que explotan las lagunas digitales. Las instituciones financieras de todo el mundo se enfrentan a estos riesgos emergentes, lo que requiere una renovaci\u00f3n de los marcos de lucha contra el blanqueo de capitales<\/a> (AML) para incorporar indicadores de riesgo innovadores y garantizar el estricto cumplimiento de los protocolos de Conozca a su cliente (KYC). El aprendizaje autom\u00e1tico (ML) surge como una tecnolog\u00eda fundamental en este contexto, refinando la calificaci\u00f3n de riesgo del cliente (CRR) al tener en cuenta los par\u00e1metros est\u00e1ticos y din\u00e1micos del cliente, reducir los falsos positivos y mejorar los procesos de diligencia debida. <\/p>\n\n\n\n A medida que aumentan las exigencias normativas, las instituciones se ven obligadas a pasar de modelos basados en reglas a enfoques avanzados basados en el aprendizaje autom\u00e1tico. Este movimiento busca ofrecer una visi\u00f3n m\u00e1s completa del riesgo del cliente, aprovechando los intrincados conjuntos de datos y aprovechando t\u00e9cnicas como la ingenier\u00eda de caracter\u00edsticas, las redes neuronales artificiales y la agrupaci\u00f3n en cl\u00fasteres. Garantizar la integridad y la integridad de estos datos se vuelve primordial. A medida que el \u00e1mbito digital contin\u00faa expandi\u00e9ndose, la integraci\u00f3n de estas metodolog\u00edas de ML en los sistemas financieros ser\u00e1 crucial para salvaguardar la integridad de las transacciones financieras globales.<\/p>\n","protected":false},"excerpt":{"rendered":" El aprendizaje autom\u00e1tico para la elaboraci\u00f3n de perfiles de riesgo ofrece un enfoque revolucionario para evaluar posibles amenazas y vulnerabilidades mediante el an\u00e1lisis de vastos conjuntos de datos…<\/p>\n","protected":false},"author":4,"featured_media":3032285,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[400767,400770],"tags":[400768,604164,603529],"class_list":["post-3051206","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-antiblanqueo-de-capitales-aml","category-conozca-a-su-cliente-kyc","tag-academia-de-delitos-financieros","tag-aprendizaje-automatico-para-la-elaboracion-de-perfiles-de-riesgo","tag-fca037-es","post-wrapper","thrv_wrapper"],"acf":[],"_links":{"self":[{"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/posts\/3051206","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/comments?post=3051206"}],"version-history":[{"count":1,"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/posts\/3051206\/revisions"}],"predecessor-version":[{"id":3060721,"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/posts\/3051206\/revisions\/3060721"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/media\/3032285"}],"wp:attachment":[{"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/media?parent=3051206"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/categories?post=3051206"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/staging.financialcrimeacademy.org\/es\/wp-json\/wp\/v2\/tags?post=3051206"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"Aprendizaje](\"https:\/\/staging.financialcrimeacademy.org\/wp-content\/uploads\/2023\/09\/2-15-1024x576.jpg\")
<\/figure>\n\n\n\nAprendizaje autom\u00e1tico para la elaboraci\u00f3n de perfiles de riesgo<\/h2>\n\n\n\n
Requisito reglamentario<\/h3>\n\n\n\n
![\"Aprendizaje](\"https:\/\/staging.financialcrimeacademy.org\/wp-content\/uploads\/2023\/09\/4-3-1024x576.jpg\")
<\/figure>\n\n\n\n![\"Aprendizaje](\"https:\/\/staging.financialcrimeacademy.org\/wp-content\/uploads\/2023\/09\/3-15-1024x576.jpg\")
<\/figure>\n\n\n\nReflexiones finales<\/h2>\n\n\n\n