Lo que los estafadores y los 'cisnes negros' tienen en común, cómo la IA puede mitigar los efectos de ambos

La inteligencia artificial (IA) puede hacer predicciones para ayudar a resolver problemas tan complejos como el lavado de dinero, pero ¿cómo podemos construir un sistema de IA que funcione en el mundo real, donde los datos son dinámicos y las metas cambian constantemente?

Por
Este artículo fue traducido de nuestra edición en inglés utilizando tecnologías de IA. Pueden existir errores debido a este proceso. Las opiniones expresadas por los colaboradores de Entrepreneur son personales.

La inteligencia artificial (IA) utiliza datos históricos para predecir el futuro. Por ejemplo, en el caso de fraude, la actividad histórica de fraude se puede utilizar para predecir nuevos fraudes en tiempo real. Actualmente, la IA se usa comúnmente en la lucha contra el lavado de dinero (AML) mediante el seguimiento de los datos históricos y el uso de anomalías con respecto a la distribución normal.

Además de observar los hechos y sacar conclusiones , como puede hacerlo un humano , la IA puede digerir grandes cantidades de datos y combinarlos en un solo modelo que puede concluir y predecir.

La IA, en otras palabras, implica la generalización en masa utilizando un algoritmo sofisticado que puede predecir resultados consistentes con los datos históricos.

Relacionado: ¿Cuándo no debería invertir en IA?

¿Qué pasa con los datos dinámicos?

La predicción basada en un conjunto de datos históricos puede funcionar bien para ciertos propósitos, pero depende en gran medida de un mundo ideal donde todos los datos sean consistentes. Sabemos que este no es siempre el caso.

En un entorno teórico o en un laboratorio, los datos son estáticos. En el mundo real, tiende a ser dinámico. Si pensamos en la IA como se explicó anteriormente, los problemas se producen cuando los datos se desplazan y cambian , algo común en cualquier entorno empresarial del mundo real.

¿Qué sucede cuando los datos cambian?  

Si alguna vez hubo un ejemplo de circunstancias cambiantes, lo han sido los últimos 18 meses.

La retrospectiva es algo maravilloso: ¿qué pasaría si hubiéramos sabido que se produciría una pandemia grave? ¿Cómo habría impactado el riesgo de préstamos y seguros, por ejemplo? ¿Cómo habría impactado los modelos de producción basados en millones de puntos de datos de 2015 a 2019? Claramente, 2020 provocó una gran anomalía, a la que a menudo se hace referencia en los datos como un cisne negro , un "desconocido desconocido" que, a pesar de las mejores preparaciones y los modelos de datos más sofisticados, no podría haberse predicho por completo.

Esto ha afectado a muchos de los procesos que dimos por sentado. Está muy bien usar algo como el procesamiento del lenguaje natural (NLP) para clasificar los correos electrónicos de servicio al cliente, pero ¿qué pasa con una nueva afluencia de correos electrónicos relacionados con Covid-19, un problema que históricamente no se ha tratado ni siquiera mencionado?

Sin embargo, los cisnes negros como una pandemia mundial no son lo único que puede afectar drásticamente el entorno empresarial. El fraude está cambiando y evolucionando todo el tiempo, ya que los estafadores intentan atacar desde diferentes ángulos y aprender nuevas técnicas todos los días.

Cuando se trata de aplicaciones de inteligencia artificial que son tan críticas para la misión como la detección de fraudes, las soluciones deben cumplir tres criterios clave: estabilidad, sostenibilidad y entrega como sistema.

Relacionado: Covid-19 impulsará la próxima ola de innovación

Estabilidad

La estabilidad es la palabra en boca de todos en 2021, ya que las empresas intentan asegurarse de poder mantenerse resistentes después de un año decididamente "inestable" y adaptar sus operaciones para resistir los desafíos de la nueva normalidad. Esto no es diferente en el mundo del aprendizaje automático.

En el aprendizaje automático, la estabilidad se trata de cómo se pueden abordar los diversos desafíos. Mientras que una aplicación clásica podrá tomar entradas y predecir salidas, un sistema verdaderamente estable puede hacerlo a pesar de factores ambientales como errores o errores tipográficos en los datos, o incluso sesgos. Un sistema estable también podrá notar cuándo esto no está sucediendo correctamente, por cualquier motivo, y alertarnos a los humanos.

Los problemas de robustez a menudo pueden surgir en el proceso de producción: construir su prueba de concepto está muy lejos de producir una solución estable en el mundo real. Es imprescindible tener una comprensión clara de los datos, así como de las posibles desviaciones y cambios ; luego, el equipo de desarrollo puede validar la solidez del modelo lo antes posible.

Sustentabilidad

Las soluciones de IA se pueden considerar casi como una entidad viva que respira. No puede simplemente construir, implementar y seguir adelante; requieren una atención y un mantenimiento constantes a lo largo del tiempo. Dado que el aprendizaje automático se basa en datos, es importante comprender que los datos son dinámicos y cambiarán con el tiempo. Cuando esto sucede, la solución debe poder adaptarse. Sin la capacidad de cambiar su modelo, se volverá irrelevante muy rápidamente y no será sostenible.

Los problemas para cambiar el modelo suelen estar relacionados con la investigación. Los ingenieros usan datos para entrenar un modelo, pero necesitan investigar donde no se conoce o no se conoce una solución. Es importante tener un proceso completo en el que investigue diferentes direcciones antes de que se resuelva el problema ; esto debe hacerse repetidamente en la producción a medida que cambian los datos para garantizar la sostenibilidad.

Relacionado: Cómo la IA ha transformado completamente la tecnología médica

Construyendo un sistema

Como ya se ha comentado, tanto la estabilidad como la sostenibilidad son fundamentales. Implican varios desafíos, pero estos se pueden superar con la inversión adecuada en los fundamentos. Sin embargo, ambos elementos solo pueden funcionar si el equipo de liderazgo (por ejemplo, el CIO, líder de IA / ML) aborda el proceso de producción de la manera correcta.

Actualmente, existe una gran brecha entre construir un modelo con un gran grupo de investigadores y producir un valioso sistema de IA. Para llegar a esa etapa, se debe desarrollar un sistema que incluya la capacidad de monitorear, reentrenar los modelos en producción, comparar modelos, recopilar comentarios de los usuarios, eliminar el ruido involucrado en la entrada de datos, mitigar el sesgo y más.

Impulsando la IA a toda velocidad

Ahora, 2021 será un gran año para la adopción de la IA, especialmente en un sistema de servicios financieros que apunta a ser robusto frente a eventos inesperados como una pandemia y la creciente amenaza de fraude.

Actualmente, estamos viendo muchas pruebas de concepto interesantes e incluso algunos de los primeros en adoptar el ROI de la IA. Este año, la tecnología, la experiencia y el talento involucrados en la extracción de valor real de la IA alcanzarán una masa crítica.

Habrá una enorme y visible distinción entre las empresas que han creado la estrategia, los equipos, las herramientas y las relaciones correctas con proveedores externos y aquellas que no adoptan el enfoque de garantizar que los modelos de IA funcionen como un "sistema estable y sostenible".