RiskFM: De Modelos Personalizados a la Inteligencia de Fundación

Imagine que llega al mostrador de una cafetería y dice: “Me gustaría un…”. Es relativamente fácil adivinar la siguiente palabra. Un latte, un espresso o un té son predicciones seguras. Así es como los grandes modelos de lenguaje (LLM), como ChatGPT y Gemini, son capaces de “resolver” patrones y predicciones de palabras e imágenes tan rápidamente: porque han construido una base (Foundation) sólida que facilita anticipar qué sigue en la secuencia.

Aunque el lenguaje tiene un alfabeto fijo, predecir qué transacción realizará un consumidor a continuación es mucho más difícil de acertar. Puede que esté comprando un café ahora, pero su próxima compra podría ser desde una galleta hasta un viaje al aeropuerto. Una amplia gama de factores, incluyendo hábitos de gasto, límites o métodos de pago, hace que anticipar la actividad siguiente sea un desafío mayor.

Es por eso que Feedzai ha desarrollado el Risk Foundation Model (RiskFM), el primer Modelo de Fundación Tabular de la industria diseñado específicamente para la toma de decisiones de riesgo en todo el ciclo de vida del crimen financiero, cubriendo múltiples casos de uso como fraude, antilavado de dinero (AML) e identidad. Actualmente en su fase de investigación, RiskFM ya ha demostrado la capacidad de aprender de forma autónoma patrones de comportamiento a través de vastos conjuntos de datos, logrando paridad con modelos personalizados desde el primer día, sin el esfuerzo de la ingeniería de variables (Feature Engineering) que requiere tanta mano de obra.

En este artículo, analizaremos cómo RiskFM ofrece a los bancos la próxima generación de detección de fraudes impulsada por IA y por qué este enfoque es la clave para ser más astutos que la próxima generación de amenazas.

Conclusiones Clave

• Mientras que los modelos de lenguaje (LLM) pueden aprender la base del idioma, el riesgo financiero es significativamente más desafiante debido a la enorme cantidad de métodos de pago y hábitos de gasto.
• La creación de modelos tradicionales de aprendizaje automático (Machine Learning) suele requerir una inversión significativa de tiempo y trabajo manual. Además, al entrenarse con datos de una sola institución, no logran detectar patrones de amenazas globales emergentes.
• El modelo RiskFM de Feedzai, actualmente en etapa de investigación, está diseñado exclusivamente para datos transaccionales tabulares. Ha logrado paridad con modelos hechos a medida altamente ajustados, eliminando meses de limpieza de datos y trabajo de ingeniería de variables.
• RiskFM reduce drásticamente el “Time to Value” (tiempo para generar valor) al eliminar cuellos de botella operativos, permitiendo a los bancos detener el fraude de manera más efectiva con menos esfuerzo inicial.

Una Carrera Contra Criminales Financieros Adaptables

El lenguaje sigue un guión predecible. El crimen financiero, por otro lado, es un objetivo caótico y en constante movimiento. Los criminales no siguen las reglas de la ley y, cuando son descubiertos, inventan nuevas estrategias.

Ésta realidad adversaria significa que el comportamiento “normal” de un cliente no solo es difícil de adivinar; está siendo constantemente imitado o manipulado por estafadores sofisticados. Debido a que los datos transaccionales son mucho más ruidosos que una oración, las defensas actuales se ven obligadas a alcanzar amenazas que evolucionan más rápido que el software destinado a detenerlas.

“RiskFM proves our multi-year investment in foundation models is paying off. We’re not just part of the conversation; we’re defining how it applies to the complexities of global financial crime prevention.” — Pedro Barata, Chief Product Officer at Feedzai.

Hoy en día, construir un modelo de Machine Learning confiable suele requerir una labor considerable: Los científicos de datos deben construir manualmente variables para buscar patrones específicos, como la velocidad de las transacciones o saltos geográficos rápidos. Ésta ingeniería manual dificulta la adaptación rápida a los cambios en los patrones de fraude y hábitos de consumo.

Además del esfuerzo técnico, estos modelos enfrentan el desafío de un “campo de visión” estrecho porque se entrenan de forma aislada. Esta visión limitada impide que los bancos vean patrones de amenazas globales más amplios. Para cuando se identifican e implementan nuevos patrones, los criminales ya podrían haber cambiado de táctica.

RiskFM Ofrece un Nuevo Paradigma para la Toma de Decisiones

Dicho de otro modo, el aprendizaje automático tradicional requiere que los científicos de datos identifiquen, definan y codifiquen patrones antes de que el modelo pueda aprender de ellos. Si un patrón no se captura, el modelo permanece ciego ante él. RiskFM aprende esos patrones de forma autónoma a partir de los propios datos, revelando señales que ninguna persona anticipó y que ningún conjunto de reglas podría haber capturado.

“The ability to match bespoke supervised models out of the box, without manual feature engineering, has real implications for how institutions think about deployment speed, cost, and coverage across the full financial crime lifecycle, from card fraud to AML.” — Sam Abadir, research director, risk, financial crime, and compliance, IDC

Debido a que RiskFM comprende la estructura fundamental del riesgo, crea un valor inmediato que elimina meses de ingeniería manual. El modelo está diseñado para tomar decisiones autónomas complejas, garantizando que, aunque la inteligencia tras bambalinas sea masiva, el cliente legítimo no experimente fricciones.

Cómo RiskFM Cambia el Juego

RiskFM está reimaginando cómo defendemos el ecosistema financiero:

• De lo Manual a lo Autónomo: Utiliza aprendizaje autosupervisado para identificar patrones complejos de comportamiento financiero y firmas matemáticas profundas de riesgo de forma autónoma.
• Valor Inmediato: Las investigaciones iniciales muestran que RiskFM logra paridad con modelos personalizados altamente ajustados desde el Día 1, reduciendo el tiempo de iteración.
• Inteligencia Interinstitucional: Se entrena con vastos conjuntos de datos de múltiples instituciones, lo que le permite descubrir amenazas sofisticadas compartiendo el conocimiento de la amenaza sin compartir nunca los datos personales subyacentes.
• Menor Barrera de Entrada: Al eliminar los cuellos de botella operativos, RiskFM permite a los bancos detener más fraudes con menos esfuerzo inicial.

 

Estamos dejando atrás la era de construir cada defensa a mano para avanzar hacia un mundo donde sus sistemas ya “hablan el lenguaje del riesgo”.

RiskFM se encuentra en su etapa de investigación y desarrollo, y estamos buscando socios pioneros (early adopters). Si está listo para ayudar a dar forma al futuro de la inteligencia autónoma, lo invitamos a validar estos marcos de trabajo contra riesgos del mundo real.

Recursos Adicionales

• Blog: ¿Qué es Network Intelligence y cómo puede prevenir el fraude y los delitos financieros?
• Report: Orquestación de Datos: Inteligencia Contra el Fraude
• Guía de investigación: Feedzai IQ para la gestión de riesgos del adquirente
• Solución: Apertura de cuentas: Deje entrar a los buenos clientes, mantenga fuera a los estafadores