Sala de prensa y Medios Blog de la GLEIF

Perfeccionamiento de la verificación empresarial mediante IA: ¿una nueva frontera en la lucha internacional contra el fraude?

Damian Borth, profesor de IA y aprendizaje automático de la Universidad de St. Gallen, explica cómo la utilización de datos abiertos, estandarizados y de calidad de las entidades legales en modelos de IA hace posible interacciones comerciales más transparentes, eficientes y seguras en todo el mundo.


Autor: Damian Borth, profesor de IA y AA de la Universidad de St. Gallen

  • Fecha: 2024-04-29
  • Visualizaciones:

En la actual economía digital mundial, la verificación de las entidades legales es más importante y complejo que nunca. En consecuencia, existe un creciente interés en el potencial de la tecnología de inteligencia artificial (IA) para automatizar la verificación y supervisión de entidades. Si aumenta la eficiencia y eficacia de los procesos fundamentales, se puede reducir el riesgo de fraude y otras actividades delictivas. Así se genera un entorno empresarial más seguro para todos.

Sin embargo, siguen existiendo desafíos. Muchas aplicaciones de IA actuales se ven restringidas porque los datos subyacentes no están estandarizados, ni son fáciles de utilizar o compartir. Esto supone la pérdida de una valiosa capacidad informática y, además, agrava los errores sistémicos.

Diversos avances, tendencias e iniciativas recientes en materia de estándares de datos y supervisión de transacciones tratan de superar los desafíos que históricamente han limitado la lucha contra el blanqueo de capitales. ¿Puede explicar el papel que pueden desempeñar la IA y el aprendizaje automático?

La IA y el aprendizaje automático pueden resultar muy útiles en la lucha contra el blanqueo de capitales, porque mejoran la eficiencia y eficacia de la supervisión de las transacciones y de los procesos de cumplimiento normativo. Permiten analizar conjuntos de datos enormes para identificar anomalías o patrones complejos y descubrir actividades fraudulentas, algo que mejora significativamente la detección de transacciones sospechosas. Además, la IA es flexible y aprende de nuevos datos, por lo que resulta inestimable en el panorama del blanqueo de capitales, en el que los delincuentes y las entidades de supervisión tratan constantemente de superar a la otra parte.

¿Cómo puede contribuir la suma de la inteligencia artificial y los datos de calidad a cuantificar y gestionar mejor los riesgos empresariales en todo el mundo?

La IA junto con unas fuentes de datos externas de calidad pueden mejorar significativamente la gestión de riesgos, porque aumenta la precisión de la verificación de las empresas. Los algoritmos de IA también pueden automatizar la supervisión de los datos de las entidades legales y contribuir a crear un entorno financiero internacional más seguro porque disminuye el riesgo de fraude.

A medida que las operaciones comerciales se automatizan, ¿cómo evaluaría el equilibrio entre el valor añadido y los riesgos de la tecnología de IA?

La automatización de los procesos de identificación, posible mediante IA y aprendizaje automático, aumenta la eficacia y mejora la precisión de los datos determinados, lo que mejora el cumplimiento normativo y aumenta la confianza en las transacciones comerciales.

Sin embargo, también puede introducir riesgos. Por ejemplo, errores sistémicos, sesgos o vulnerabilidades de ciberseguridad. El equilibrio entre automatización y supervisión humana y unas fuertes medidas de seguridad son fundamentales para reducir estos riesgos.

¿Qué importancia tienen unos datos abiertos, fiables, estandarizados y de calidad para la comunidad de IA?

En pocas palabras, son y siempre se han considerado esenciales para desarrollar sistemas de IA óptimos. Esos datos garantizan que los modelos de IA se entrenan con información precisa, que genera resultados más eficaces y fiables. La estandarización facilita la interoperabilidad entre distintos sistemas de IA y mejora la capacidad de repetición de las investigaciones de IA. Unos datos de alta calidad también reducen los sesgos y mejoran la capacidad de toma de decisiones de los modelos, todo lo que es fundamental en campos tan delicados como las finanzas y los sistemas jurídicos.

Ha colaborado con la GLEIF en un modelo para identificar y sugerir la forma jurídica adecuada para las entidades. ¿Puede resumir las conclusiones principales?

En primer lugar, debemos reconocer que identificar y comprender la forma jurídica de una entidad es fundamental en diversos procesos financieros y relacionados con los negocios. Aun así, la cantidad de formas jurídicas diversas en distintas jurisdicciones y en cada una de ellas aumenta la complejidad en gran medida. Por tanto, la capacidad de identificar automáticamente la forma jurídica de una empresa y vincularla a su código de forma jurídica de entidad (ELF) correspondiente puede suponer muchas ventajas: aumenta la transparencia, se reduce el riesgo y mejora la eficiencia operativa.

Nuestra colaboración con la GLEIF dio como resultado un modelo de IA, conocido como Conocimiento del Nombre de Entidad Legal (LENU), que puede predecir con exactitud la forma jurídica de una entidad utilizando solo su nombre y jurisdicción. El modelo de lenguaje que entrenamos pudo vincular patrones de nombres legales concretos y nomenclatura específica de la jurisdicción para obtener las formas legales. La gran precisión del modelo demuestra el potencial de la IA para mejorar la fiabilidad de los datos empresariales. Tiene el potencial de acelerar el proceso de emisión del LEI y de reducir significativamente las tareas de verificación manual.

Resumimos nuestras conclusiones en un artículo de investigación sobre la clasificación de las formas jurídicas de las entidades en función del modelo transformador. El estudio destaca la importancia de los modelos basados en el modelo transformador para avanzar en la estandarización e integración de los datos. La introducción de la forma jurídica de la entidad a través de elementos de datos normalizados aumenta la confianza en las tareas de vinculación de entidades, lo que permite pares de asignación sólidos en múltiples conjuntos de datos, pues cada entidad solo puede tener una forma legal.

La gran precisión del modelo demuestra el potencial de la IA para mejorar la fiabilidad de los datos empresariales. Tiene el potencial de acelerar el proceso de emisión del LEI y de reducir significativamente las tareas de verificación manual.

¿Cómo pueden los datos de entidades legales estandarizados, como el LEI, contribuir al ecosistema de investigación y desarrollo de la IA?

Los datos del LEI estandarizados enriquecen la investigación de la IA porque proporcionan un conjunto de datos global y coherente para entrenar y probar los modelos de IA en contextos financieros y legales. Esta homogeneidad aumenta la fiabilidad del modelo en todas las jurisdicciones y mejora el rendimiento de las soluciones de IA. Los conjuntos de datos del LEI también pueden facilitar la investigación de la IA en áreas como detección de fraudes, verificación de entidades y cumplimiento normativo. Si se usan como referencia, los datos del LEI pueden desempeñar un papel fundamental en la evaluación de los modelos de IA en el sector financiero.

¿Cómo cree que será el futuro de la IA?

El futuro de la IA, gracias al uso de datos estandarizados y abiertos, influirá muchísimo en la transformación de los sectores financiero y legal. Si aprovechamos esta sinergia, haremos posibles mejoras rápidas que garanticen unos sistemas financieros mundiales más transparentes, eficientes y seguros. Mejorará el cumplimiento normativo, se reducirá el fraude y se entenderán mejor las complejas redes financieras.

En resumen, conoceremos y entenderemos mejor un mundo al que ahora no es fácil acceder.

Si quiere hacer comentarios sobre algún artículo del blog, identifíquese con su nombre y sus apellidos. Su nombre aparecerá junto a su comentario. No se publicarán las direcciones de correo electrónico. Tenga en cuenta que, mediante su acceso al foro de debate o su contribución en él, acuerda cumplir los términos de las Directrices sobre los blogs de la GLEIF, por lo que le pedimos que los lea detenidamente.



Lea todas las publicaciones del blog de la GLEIF >
Sobre el autor:

El profesor Damian Borth es Director del Instituto de Informática de la Universidad de St. Gallen, donde ocupa una cátedra de Inteligencia artificial y aprendizaje automático. Anteriormente, Damian fue fundador y director del Centro de Competencias de Aprendizaje Profundo en el Centro de Investigación de Inteligencia Artificial de Kaiserslautern (Alemania). En este último fue también el principal investigador del Laboratorio de IA de NVIDIA.

La investigación del profesor Borth se centra en el aprendizaje de representación con redes neuronales profundas en campos como visión computacional, detección remota y auditoría financiera. Su labor ha recibido premios como el ACM SIGMM Test of Time de 2023, el Google Research Scholar de 2022 y el NVIDIA AI Lab at GTC de 2016. También obtuvo el premio al mejor artículo en ACM ICMR de 2012 y el premio McKinsey Business Technology de 2011. Actualmente, Damian es miembro del consejo de administración del Instituto Internacional de Informática (ICSI) en Berkeley (California, del consejo de la Sociedad Alemana de Ciencia de Datos, del comité asesor del Instituto Roman Herzog y del consejo asesor del Instituto de Ciencia y Tecnología del Comportamiento HSG.

Realizó su investigación postdoctoral en la Universidad de Berkeley y en el ICSI en Berkeley, donde participó en proyectos de big data en el Laboratorio Nacional Lawrence Livermore. Obtuvo el doctorado en la Universidad de Kaiserslautern y en el Centro de Investigación de Inteligencia Artificial alemán. Al mismo tiempo, Borth fue investigador invitado en el Laboratorio de Vídeo Digital y multimedia de la Universidad de Columbia, en Nueva York (EE. UU.).


Etiquetas para este artículo:
Índice de IPJ Global, Global Legal Entity Identifier Foundation (GLEIF), Lista de Códigos de Formas de Personas Jurídicas, Calidad de los Datos, Datos Abiertos