Fredi Álvarez, Consultor y Desarrollador de software, plantea un modelo para detectar fraudes en transacciones financieras. Un recurso con el que busca brindar a los bancos proteger su reputación y sus activos corporativos; junto con la fidelización de sus clientes.
Por Rubén Palacios | 01/04/2021.
Desde que se estableció el sistema bancario que conocemos, los avances tecnológicos han refinado los sistemas a través de los cuales las entidades financieras controlan y vigilan su dinero y, por tanto, el de sus clientes. Sin embargo, y de forma paralela, las formas de burlar la seguridad que blinda tales recursos y garantiza la transparencia de las transacciones también han ido sofisticándose.
Ante este panorama, el Consultor y Desarrollador de software Fredi Álvarez, manifiesta la necesidad de contar con herramientas informáticas que permitan analizar una determinada cantidad de transacciones financieras, con el fin de identificar patrones de comportamiento atípicos y que correspondan a actividades fraudulentas.
En su artículo titulado “Machine Learning en la detección de fraudes de comercio electrónico aplicado a los servicios bancarios”, publicado en la revista de Ciencia y tecnología de la Universidad de Palermo, Argentina, Álvarez plantea un modelo para detectar fraudes en transacciones financieras; pensado para combatir diversos tipos de fraude como la suplantación de identidad, códigos maliciosos con los que se dañan sistemas operativos o softwares que monitorean y sustraen información ilegalmente del computador de un particular.
Álvarez explica que su modelo se basa en cuatro pasos. El primero es el suministro de un cúmulo de transacciones a través de un sistema de mensajería especial utilizado en entidades bancarias. Luego, se procesan y verifican estas transacciones en busca de características fraudulentas para asignar una probabilidad de fraude. Finalmente, con los datos obtenidos se crea una tabla que es agregada a un top N de transacciones con mayor índice de probabilidad de fraude. En caso de haber fraude en una transacción, el titular de la cuenta es contactado por el personal de la entidad.
Álvarez concluye que el modelo aún necesita ajustes. Especialmente en lo que concierne a la dificultad de acumular la cantidad necesaria de datos para refinar lo suficiente el machine learning. Sin embargo, señala que la introducción de las tecnologías de Big Data pueden ser la solución a este tipo de problemas.
Para conocer más información sobre este proyecto puede consultar el siguiente enlace: https://www.palermo.edu/ingenieria/pdf2020/CyT_20_07.pdf
