Sala de Imprensa e Mídia Blog da GLEIF

Aprimorando a Verificação de Negócios com IA: uma Nova Fronteira na Luta Global contra a Fraude?

Damian Borth, professor na Universidade de St. Gallen especializado em Inteligência Artificial e Aprendizado de Máquina, discute como a integração de dados abertos, padronizados e de alta qualidade de entidades jurídicas em modelos de IA pode promover interações comerciais mais transparentes, eficientes e seguras em todo o mundo.


Autor: Damian Borth, Professor de IA e Aprendizagem de Máquina, Universidade de St. Gallen

  • Data: 2024-04-29
  • Visualizações:

Na atual economia digital global, a verificação da identidade das entidades jurídicas tornou-se mais crítica e desafiadora do que nunca. Como resposta a isso, observamos um interesse crescente no potencial da tecnologia de Inteligência Artificial (IA) para automatizar a verificação e monitoramento de entidades. Ao melhorar a eficiência e a eficácia dos processos fundamentais, é possível reduzir o risco de fraude e outras atividades criminosas, o que contribui para um ambiente de negócios mais seguro para todos os envolvidos.

No entanto, os desafios continuam. Numerosas aplicações atuais de IA enfrentam obstáculos devido à falta de padronização, facilidade de consumo e compartilhamento dos dados subjacentes. Essa situação não apenas resulta em um desperdício de poder computacional valioso, mas também amplifica erros sistêmicos.

Diversas tendências, desenvolvimentos e iniciativas recentes em padrões de dados e monitoramento de transações estão lidando com os desafios que historicamente têm dificultado os esforços de combate à lavagem de dinheiro (AML). Você poderia explicar o papel que a IA e a tecnologia de aprendizado de máquina podem desempenhar?

IA e aprendizado de máquina representam uma oportunidade significativa na resolução dos desafios relacionados à AML, aprimorando tanto a eficiência quanto a eficácia da vigilância de transações e dos procedimentos de conformidade. Essas tecnologias têm a capacidade de examinar extensos conjuntos de dados a fim de reconhecer padrões intricados ou desvios, facilitando assim a identificação de atividades fraudulentas e aprimorando de forma significativa a detecção de transações suspeitas. Além disso, a capacidade da IA de se adaptar e aprender com novos dados a torna inestimável em cenários em constante evolução relacionados à luta contra a lavagem de dinheiro, em que os fraudadores e as entidades de monitoramento estão constantemente tentando superar um ao outro.

Como a combinação da tecnologia de IA e dados de alta qualidade ajuda a quantificar e gerenciar melhor os riscos empresariais globais?

A IA juntamente com fontes de dados externas de alta qualidade têm o potencial de aprimorar consideravelmente a gestão de riscos, elevando a precisão da verificação empresarial. Os algoritmos de IA também têm a capacidade de automatizar o monitoramento dos dados de entidades jurídicas, o que contribui para um ambiente financeiro global mais seguro ao reduzir o risco de fraude.

À medida que as operações comerciais se tornam mais automatizadas, como você avaliaria o equilíbrio entre o valor agregado e os riscos da tecnologia de IA?

A automação dos processos de identificação, viabilizada pela IA e pelo aprendizado de máquina, proporciona maior eficiência e aprimora a precisão dos dados fornecidos, o que melhora a conformidade regulatória e fortalece a confiança nas transações comerciais.

Entretanto, também pode apresentar riscos, como potenciais erros sistêmicos, viés ou vulnerabilidades de segurança cibernética. É essencial equilibrar a automação com a supervisão humana e implementar medidas de segurança robustas para mitigar esses riscos.

Qual a importância dos dados abertos, confiáveis, padronizados e de alta qualidade para a comunidade de IA?

Dito de maneira simples, eles são fundamentais e sempre foram considerados essenciais para o sucesso do desenvolvimento de sistemas de IA. Esses dados são essenciais para garantir que os modelos de IA sejam treinados com informações precisas, levando a resultados mais eficazes e confiáveis. A padronização simplifica a interoperabilidade entre sistemas de IA diversos e aumenta a reprodutibilidade da pesquisa em IA. Além disso, dados de alta qualidade diminuem viés e aprimoram as capacidades de tomada de decisão dos modelos, aspectos cruciais para aplicações em áreas sensíveis, como finanças e sistemas jurídicos.

Você colaborou com a GLEIF em um modelo para identificar e sugerir a forma jurídica correta de uma entidade. Você poderia resumir os principais aprendizados?

É essencial ressaltar que o reconhecimento e a compreensão da forma jurídica de uma entidade são fundamentais para diversos processos financeiros e comerciais. Contudo, a variedade de formas jurídicas, tanto dentro quanto entre jurisdições, adiciona uma complexidade significativa. Automatizar a identificação da forma jurídica de uma empresa e associá-la ao código correspondente da forma jurídica da entidade (LEI) pode trazer diversos benefícios, tais como aumentar a transparência, reduzir o risco e melhorar a eficiência operacional.

A parceria com a GLEIF produziu um modelo de IA chamado Entendimento de Nome da Entidade Jurídica (LENU), que é capaz de prever com precisão a forma jurídica de uma entidade apenas com base em seu nome e jurisdição. O modelo de linguagem que desenvolvemos foi capaz de identificar padrões específicos nos nomes legais e na nomenclatura de jurisdição para deduzir suas formas jurídicas correspondentes. A alta precisão do modelo evidencia o potencial da IA para elevar a confiabilidade dos dados empresariais. Isso pode não apenas de agilizar o processo de emissão de LEI, mas também de reduzir substancialmente os esforços de verificação manual.

Sintetizamos nossas descobertas em um artigo de pesquisa científica intitulado “Classificação de forma jurídica de entidade baseada em transformadores”. O estudo ressalta o potencial significativo dos modelos baseados em Transformer para impulsionar a padronização e integração de dados. A introdução da forma jurídica da entidade por meio de itens de dados padronizados acrescenta mais confiança às tarefas de ligação de entidades, permitindo pares de mapeamento robustos em vários conjuntos de dados, uma vez que cada entidade só pode ter uma forma jurídica.

A alta precisão do modelo evidencia o potencial da IA para elevar a confiabilidade dos dados empresariais. Isso pode não apenas de agilizar o processo de emissão de LEI, mas também de reduzir substancialmente os esforços de verificação manual.

Como os dados padronizados de entidades jurídicas, como o LEI, podem contribuir para o ecossistema de pesquisa e desenvolvimento de IA?

Os dados LEI padronizados enriquecem a pesquisa em IA, fornecendo um conjunto de dados global e uniforme para o treinamento e teste de modelos de IA em contextos financeiros e jurídicos. Essa consistência aprimora a confiabilidade do modelo em todas as jurisdições, impulsionando o desempenho das soluções de IA. Os conjuntos de dados LEI também podem simplificar a pesquisa em IA em áreas como detecção de fraudes, verificação de entidades e conformidade regulatória. Os dados LEI, ao servirem como referência, podem desempenhar um papel essencial na avaliação de modelos de IA no setor financeiro.

Qual é a sua mensagem para o futuro?

O futuro da IA, impulsionado por dados padronizados e abertos, apresenta um potencial imenso para transformar os setores financeiro e jurídico. Aproveitando essa sinergia, possibilitaremos melhorias rápidas que asseguram sistemas financeiros globais mais transparentes, eficientes e seguros. Essa evolução promete maior conformidade regulatória, redução de fraudes e uma compreensão mais aprofundada das redes financeiras complexas.

Em suma, testemunharemos e compreenderemos mais sobre um mundo que atualmente não é facilmente acessível.

Caso queira comentar uma postagem no blog, identifique-se usando seu nome e sobrenome. Seu nome aparecerá ao lado de seu comentário. Endereços de e-mail não serão publicados. Note que ao acessar ou contribuir com o fórum de discussão, você concorda com os termos da Política de Uso do Blog da GLEIF, portanto, leia-a com atenção.



Ler todas as postagens anteriores do Blog da GLEIF >
Sobre o autor:

Na Universidade de St.Gallen, Damian Borth lidera o Instituto de Ciência da Computação, enquanto desfruta do cargo de professor titular especializado em Inteligência Artificial e Aprendizado de Máquina (AIML). Antes disso, Damian Borth desempenhou o papel de diretor fundador no Centro de Competência em Aprendizado Profundo no Centro Alemão de Pesquisa em Inteligência Artificial (DFKI), em Kaiserslautern, e atuou como Investigador Principal (PI) no Laboratório de Inteligência Artificial da NVIDIA no DFKI.

Damian dedica sua pesquisa à exploração da aprendizagem de representações por meio de redes neurais profundas em campos como visão computacional, sensoriamento remoto e auditoria financeira. Os feitos de Damian foram reconhecidos com o Prêmio ACM SIGMM Test of Time em 2023, o Google Research Scholar Award em 2022, o NVIDIA AI Lab no GTC 2016, o Best Paper Award no ACM ICMR 2012 e o McKinsey Business Technology Award em 2011. Atualmente, ele desempenha papéis de destaque como membro do conselho de administração do Instituto Internacional de Ciência da Computação (ICSI), em Berkeley, Califórnia, do conselho da Sociedade Alemã de Ciência de Dados, do comitê consultivo do Roman Herzog Institute e do conselho consultivo do HSG Instituto de Ciência e Tecnologia do Comportamento.

Damian conduziu sua pesquisa pós-doutoral na UC Berkeley e no International Computer Science Institute (ICSI) em Berkeley, participando ativamente de iniciativas relacionadas a big data no Laboratório Nacional Lawrence Livermore. Seu doutorado foi obtido na Universidade de Kaiserslautern em colaboração com o Centro Alemão de Pesquisa em Inteligência Artificial (DFKI). Nesse período, Damian desempenhou o papel de pesquisador visitante no Laboratório de Vídeo Digital e Multimídia da Universidade de Columbia, localizado em Nova York, EUA.


Tags para este artigo:
Global LEI Index, Global Legal Entity Identifier Foundation (GLEIF), Lista de Códigos de Formas Jurídicas de Entidades, Qualidade de Dados, Dados Abertos