30 Oct Inteligencia artificial. Detección de fraude.
En este post quisiera seguir contando algunas cuestiones clave en mi colaboración en alguna consultora donde estoy ayudando a crear un nuevo departamento de inteligencia artificial. En concreto y en la sesión de trabajo de esta semana hemos trabajado en los fundamentos y aplicaciones de la detección de anomalías o también conocido en el argot de la inteligencia artificial como outliers.
Inteligencia artificial. Detección de fraude.
Una de las aplicaciones más conocidas en la inteligencia artificial y en el Machine Learning es la detección de anomalías. Esta detección de anomalías se basa en los siguientes criterios:
- Tenemos un conjunto de información que tiene unas características comunes. Pensemos por ejemplo en una base de datos de cobros o de ventas que tienen un patrón que denominaremos como “normal”.
- Tenemos otro patrón de anomalías o cuestiones extrañas. Supongamos movimientos de fraude o cualquier otra transacción almacenada en nuestros sistemas de información que se sale de lo normal, típicamente asociado a algún tipo de fraude o cuestión a estudiar por separado ya que se sale radicalmente de lo normal de la distribución de la información. Por ejemplo una transacción fraudulenta bancaria.
- Estamos en problemas donde un porcentaje altísimo de la información que tenemos es considerada como la clave “normal” mientas que en muy pocos casos tenemos la clase “anomalía” o extraña, outliers, etc. asociada a fraude o a situaciones que deben ser detectadas.
En este tipo de situaciones la Inteligencia Artificial nos ayuda a detectar estas anomalías mediante algoritmos bien conocidos como pueden ser:
- SVM o Support Vector Machine.
- Regresión lineal binaria.
- Arboles de decisión binarios.
- Otros clasificadores binarios.
Mi labor como experto en transformación digital pasa también por mi dominio y conocimientos en inteligencia artificial aplicada a la empresa.
En esencia el sistema de inteligencia artificial aprende lo que es la clase normal, aquellos registros clasificados como normales. Aprende su distribución etc. y es capaz de, ante un movimiento extraño, por ejemplo un fraude, detectar que si bien sin saber la razón ese movimiento no pertenece o está clasificado en la clase “normal”. El algoritmo no sabrá que problemas tiene pero sabe que no pertenece a la clase normal.
La aplicación de este tipo de algoritmos de Machine Learning orientados a la detección de anomalías es enorme, por ejemplo detección de fraude, movimientos bancarios extraños, movimientos intercompany anómalos, defectos en procesos, etc.
Luis Vilanova Blanco. Experto e Interim Manager en inteligencia artificial en la empresa.
911277300
luis@luisvilanova.es