Estava lendo outro dia um post aqui mesmo no LinkedIn sobre o maior uso da Inteligência Artificial (IA) em "Compliance". Que por sinal eu prefiro chamar de forma mais apropriada e específica de: "PLD". E tenho a mesma percepção, de que o futuro caminha nesta direção, por isto também resolvi falar a respeito, e entrar em mais detalhes de como fazer isto.
Mas começo dizendo, até porque nem todos que me seguem são especialistas nesta área, de que a lavagem de dinheiro é uma prática criminosa que consiste em transformar dinheiro obtido através de atividades ilícitas em recursos aparentemente legítimos.
Para combater esse crime, diversos órgãos regulatórios e empresas adotam medidas de prevenção, detecção e investigação de operações suspeitas de lavagem de dinheiro, conhecidas como disse por: PLD (que significa: Prevenção à Lavagem de Dinheiro).
Mas vamos ao que interessa, e foco deste post, pois nos últimos poucos anos a inteligência artificial (IA) tem sido cada vez mais utilizada no processo de monitoramento de operações suspeitas em PLD, graças às suas capacidades de processamento e análise de grandes volumes de dados em tempo real, identificando padrões sutis que podem não ser perceptíveis aos humanos.
Os apps especializados desta área passaram a incorporar estas tecnologias nas suas versões mais atuais, usando algoritmos para identificar esses padrões atípicos e alertar os analistas de PLD sobre possíveis operações suspeitas.
As técnicas de IA aplicadas ao PLD mais comuns são:
1) Aprendizado de máquina:
Aonde os algoritmos que "aprendem" a identificar padrões em dados, tornando-se cada vez mais eficientes na detecção de operações suspeitas à medida que processam mais informações.
2) Análise de rede:
Quando as técnicas mapeiam a rede de relacionamentos entre clientes e transações, permitindo a detecção de operações que fogem ao padrão usual de comportamento dos clientes, identificando padrões de conexão entre as contas, como transações incomuns entre contas relacionadas ou transações entre países que normalmente não têm relação comercial.
3) Análise de comportamento:
Esta técnica analisa o histórico de transações de uma conta e procura por padrões de comportamento suspeitos, como transações fora do padrão ou transações incomuns para o histórico da conta.
4) Análise de texto:
Esta técnica analisa os dados não estruturados associados a uma transação, como a descrição da transação ou o nome do beneficiário, para identificar possíveis indicadores de operações suspeitas.
5) Análise de aprendizado por reforço:
Esta técnica é utilizada para treinar algoritmos de IA para tomar decisões em tempo real com base em recompensas ou punições recebidas, que pode ser treinado para avaliar transações e fornecer recompensas para transações que parecem ser legítimas e punições para transações que parecem ser suspeitas. Com o tempo, o algoritmo aprende a identificar operações suspeitas com maior precisão.
6) Classificação:
Essa técnica é usada para classificar transações em categorias com base em suas características, como valor, tipo de transação e informações do beneficiário. Essas categorias podem ser usadas para identificar padrões de transações suspeitas e ajudar a identificar possíveis atividades ilegais.
7) Regressão:
Essa técnica é usada para prever valores ou tendências futuras com base em dados históricos. A regressão pode ser usada para prever o valor ou o volume de transações em uma determinada conta, permitindo que identifiquem transações incomuns que possam indicar atividades ilegais.
8) Clusterização:
Essa técnica é usada para agrupar transações semelhantes em clusters ou grupos com base em suas características. A clusterização pode ser usada para identificar padrões de transações incomuns ou não relacionadas em uma conta ou em várias contas relacionadas.
9) Análise de sentimento:
Essa técnica é usada para analisar o conteúdo de dados não estruturados, como comentários ou descrições de transações, para determinar o sentimento ou a opinião dos usuários, podendo ser usada para identificar transações suspeitas com base em informações não estruturadas, como a descrição da transação ou a origem dos fundos.
Todos estes algoritmos e técnicas acima podem ser treinados até com seu maior uso, para reconhecer esses padrões atípicos e assim alertar os analistas de PLD para revisão adicional. Importante dizer de que neste momento não se consegue substituir a análise até mesmo subjetiva do analista experiente na parte final do processo. A máquina está para ajudar nisto, mas não vai fazer tudo sozinha. Cuidado com quem promete isto.
Precisamos investir cada vez mais em sistemas com IA, mas também em um time experiente e bem treinado.
A grande vantagem da IA na minha opinião é que agora é possível monitorar grandes volumes de dados em tempo real, detectando mais facilmente os padrões atípicos, inclusive os mais sutis, e assim identificar operações suspeitas de forma mais eficiente e precisa do que por meio de métodos tradicionais. Além disso desta forma, a IA pode ajudar a reduzir o número de falsos positivos, ou seja, operações que são sinalizadas como suspeitas erroneamente, tornando o processo mais eficiente e demandando menos gente neste processo.
No entanto, é importante ressaltar que a IA não deve ser vista como uma solução mágica para o problema da lavagem de dinheiro. A tecnologia é uma ferramenta poderosa, mas não substitui o julgamento humano e a investigação aprofundada. A IA pode ajudar a identificar operações suspeitas, mas cabe aos profissionais responsáveis pelo PLD avaliar as informações e decidir se uma investigação mais detalhada é necessária.
Mas tudo isto não é tão simples como o "Power Point" (e este post) podem dar a entender, sem falar que este processo é demorado, pois envolve várias etapas, que vou descrever abaixo o passo a passo, caso queira entrar neste mundo:
1) Coleta de dados:
O primeiro passo é coletar os dados das transações financeiras, que podem incluir informações como o valor da transação, data e hora, tipo de transação, nome do beneficiário, país de origem e destino, entre outras informações.
2) Pré-processamento de dados:
Depois que os dados são coletados, é necessário pré-processá-los para torná-los adequados para o modelo de aprendizado de máquina. Isso pode incluir tarefas como limpeza de dados, normalização e transformação de dados.
3) Seleção de recursos:
Uma vez que os dados são pré-processados, o próximo passo é selecionar as características ou recursos que serão usados pelo modelo de aprendizado de máquina para identificar padrões e anomalias. A seleção de recursos pode ser feita manualmente por especialistas em PLD ou por algoritmos de seleção automática de recursos.
4) Treinamento do modelo:
O próximo passo é treinar o modelo de aprendizado de máquina usando os dados de transações coletados e pré-processados. O modelo é ajustado usando um conjunto de dados rotulados, onde as transações são rotuladas como suspeitas ou não suspeitas. O modelo aprende a distinguir transações suspeitas das não suspeitas e a identificar padrões de atividades suspeitas.
5) Teste e avaliação do modelo:
Depois que o modelo é treinado, ele é testado em um conjunto de dados de validação para avaliar seu desempenho e capacidade de generalização. O desempenho do modelo é avaliado com métricas como precisão, recall e F1-score. O modelo é ajustado com base nos resultados da avaliação.
6) Implantação do modelo:
Finalmente, o modelo é implantado em um ambiente de produção, onde ele é usado para monitorar transações em tempo real e identificar transações suspeitas. Quando uma transação suspeita é identificada, um alerta é gerado e um analista de PLD pode revisar a transação para determinar se é realmente suspeita ou não.
Como podem ver acima por todas etapas que precisa passar, a aplicação de Inteligência Artificial e a técnica de Aprendizado de Máquina em PLD pode ser bastante complexa, mas é essencial para ajudar as instituições financeiras a detectar e prevenir atividades ilegais. O uso de algoritmos de aprendizado de máquina permite que as instituições financeiras analisem grandes quantidades de dados em tempo real e identifiquem transações suspeitas que podem não ser detectadas pelos métodos tradicionais de PLD.
