El procesamiento del lenguaje natural está aquí para quedarse


Publicado el noviembre 4, 2022 por Editor

Encontramos elementos para pensar en un artículo reciente de Irene Liu y el equipo de Accenture, que explora el uso del procesamiento del lenguaje natural (NLP) para el cumplimiento normativo. La PNL implica el uso de inteligencia artificial para analizar datos basados en texto y generar información relevante para la toma de decisiones. Tiene el potencial de aumentar la automatización en el cumplimiento, hacer que los procesos sean más efectivos y eficientes, y reducir los errores humanos. Los casos de uso comunes relacionados con el cumplimiento discutidos por los autores incluyen interpretación regulatoria, uso en procesos AML / KYC (antilavado de dinero y conozca a su cliente) y monitoreo de riesgos.

Los desafíos clave para la adopción de PNL identificados en el artículo son la disponibilidad de datos, particularmente para ajustar constantemente los modelos de PNL; la escasez de conocimientos técnicos; y la complejidad de los datos de texto y la necesidad de sensibilidad cultural para extender la PNL a idiomas desatendidos.

Una de las tendencias más importantes de la industria que puede acelerar la adopción de PNL, argumentan los autores, es la creciente prevalencia de regulaciones legibles por máquina, destinadas a abordar la creciente complejidad y los costos de cumplimiento resultantes. «Estas regulaciones legibles por máquina implican la codificación de regulaciones de supervisión de tal manera que los sistemas técnicos, con la ayuda de NLP, puedan realizar las interpretaciones necesarias para reducir la división entre la interpretación regulatoria y la intención». Una segunda tendencia clave es el cambio hacia envíos de datos más granulares, lo que permite el análisis automatizado. Se nos recuerda nuestra propia investigación que demuestra que, incluso para el análisis de texto relativamente simple, el etiquetado narrativo granular permite obtener mejores conocimientos.

«La adopción más amplia de NLP dentro del espacio de cumplimiento regulatorio es una cuestión de cuándo, no sí», concluyen los autores, dado el considerable potencial de NLP para potenciar las funciones de cumplimiento. Sugieren prepararse ahora y ofrecen varias recomendaciones para las organizaciones en la implementación de la PNL.

Lea más aquí.

ANÁLISIS DE IACUMPLIMIENTONLP


PNL para el cumplimiento normativo: una cuestión de cuándo

Por: Irene Liu, Accenture, Catherine Lee, Accenture, Cheuk Yin Lee, Accenture y Michael Wongsosaputro, Accenture

Publicado el 27 de octubre de 2022

Irene Liu de Accenture y su equipo discuten el uso de la tecnología NLP dentro de las funciones de cumplimiento, así como los desafíos de adopción y cómo abordarlos.

En el Estudio de Riesgos de Cumplimiento 2022 de Accenture, más de 9 de cada 10 encuestados estuvieron de acuerdo o muy de acuerdo en que las tecnologías avanzadas facilitarían el cumplimiento al aumentar la automatización, reducir los errores humanos y hacer que los procesos sean más efectivos y eficientes.

Una de esas tecnologías es el procesamiento del lenguaje natural (NLP), una forma de inteligencia artificial (IA) que permite a las computadoras dar sentido a la entrada humana y usarla para tomar decisiones, realizar acciones o generar respuestas que puedan ser entendidas por los humanos.

Dentro del ámbito del cumplimiento normativo, la adopción de NLP se ha centrado en gran medida en casos de uso como la interpretación regulatoria, Antilavado de dinero (AML) / Conozca a su cliente (KYC) y Riesgo de conducta. Al igual que con cualquier nueva tecnología, las organizaciones deben navegar cuidadosamente alrededor de algunos de sus escollos.

En este artículo, exploraremos la aplicación de NLP en el cumplimiento normativo, algunos de sus desafíos más comunes, investigaremos las tendencias de la industria que pueden afectar su adopción y ofreceremos recomendaciones sobre cómo las organizaciones pueden comenzar o expandir el uso de NLP dentro de sus funciones de cumplimiento.

Aplicación de NLP en el cumplimiento normativo

El uso potencial de NLP en el cumplimiento normativo ha estado ganando atención en los últimos años, e incluso reguladores como la Autoridad Monetaria de Hong Kong (HKMA) y la Autoridad Monetaria de Singapur (MAS) reconocen su capacidad para ayudar a las funciones de cumplimiento. En esta sección, exploramos los casos de uso más comunes para NLP, y cómo y por qué son más exitosos que otros casos de uso.

1. Interpretación regulatoria

NLP se puede utilizar para reducir el tiempo que los profesionales de cumplimiento pasan interpretando las regulaciones. Según el estudio Cost of Compliance 2022 de Thomson Reuters, el 40% de los bancos de importancia sistémica global (G-SIB) pasan entre 8 y 10 horas por semana rastreando e interpretando los cambios regulatorios.

En un mundo donde hay un aumento exponencial en los requisitos regulatorios (10 nuevas regulaciones por día en 2004 a 185 por día en 2017), esto impone una gran demanda al tiempo de los profesionales reguladores para comprender los requisitos y garantizar la coherencia de tales interpretaciones con sus pares en la industria y con las expectativas de los reguladores.

Con las soluciones basadas en PNL, la identificación, el análisis e incluso la interpretación e implementación de dichas revisiones se pueden automatizar de forma continua. En lugar de los profesionales de cumplimiento, NLP puede analizar grandes cantidades de requisitos regulatorios no estructurados en múltiples sitios y bases de datos regulatorios y extraer información clave, como los requisitos reglamentarios aplicables para su análisis.

La popularidad de la PNL ha sido impulsada por su capacidad para mantener la coherencia entre las interpretaciones a través de diversas regulaciones, y su baja dependencia de la intervención humana, que podría ser subjetiva y dar lugar a inconsistencias con el tiempo.

Más allá de esto, NLP también permite a los profesionales de cumplimiento centrarse en tareas de mayor valor agregado, que requieren análisis humano.

2.       AML / KYC

El uso de NLP en AML / KYC puede ayudar a aliviar el problema de la mala calidad de los datos (por ejemplo, falta de integridad o claridad), que según Refinitiv, es el mayor obstáculo para una detección exitosa.

Según el Grupo de Acción Financiera Internacional (GAFI), la PNL es capaz de sintetizar piezas dispares de información sobre una entidad que se origina en múltiples fuentes para pintar una imagen más holística de una entidad durante el proceso de selección. Aprovechando técnicas que incluyen el reconocimiento de entidades nombradas, el análisis de sentimientos, el etiquetado de parte del habla y la coincidencia, NLP puede, por ejemplo, aumentar los resultados de los motores de búsqueda con los resultados de las listas de PEP y las listas de sanciones.

Además, a través del análisis de texto, NLP se puede utilizar para mejorar el éxito de la detección de fraude. Los investigadores han descubierto que el uso de PNL en los informes anuales, para distinguir las características lingüísticas que generalmente indican fraude, puede aumentar la precisión de la detección de fraude del 56,75% al 89,51%.

Dentro de la industria de servicios financieros, los reguladores y las instituciones financieras (IF) han aumentado su uso de NLP para iniciativas ALD / KYC. Por ejemplo, MAS ha implementado NLP para extraer información clave de los informes de transacciones sospechosas (STR) presentados por las instituciones financieras, utilizando la tecnología para identificar organizaciones (y grupos de organizaciones) que pueden haber sido registradas bajo múltiples nombres similares en diferentes instituciones financieras.

De esta manera, cualquier transacción sospechosa puede rastrearse hasta otras transacciones de la misma entidad de diferentes FI. Esto se analiza más a fondo utilizando análisis de red para resaltar si se parecen a las tipologías de lavado de dinero.

En el frente bancario, UBS ha implementado una plataforma AML / KYC que aprovecha NLP, entre otras tecnologías, para ingerir datos de fuentes públicas y fusionarlos con la información de los clientes existentes.

3. Riesgo de conducta

Otra área en la que la adopción de la PNL ha aumentado es el monitoreo de riesgos de conducta. Dado que las IF tienen una gran cantidad de datos basados en texto (incluidas las transcripciones de las llamadas telefónicas de los clientes) sobre las interacciones de los gerentes de relaciones (RM) con los clientes, la PNL tiene un potencial masivo para mejorar los controles y el monitoreo del riesgo de conducta.

Como señaló el Grupo de los Treinta, el análisis de sentimiento se puede utilizar para identificar la insatisfacción del cliente o las quejas que son indicativas de mala conducta de ventas. Además, NLP también puede comprender el contexto de las quejas de los clientes, que van desde las explicaciones insuficientes de los RM sobre las características del producto hasta la venta excesiva de duros. Dicho análisis se puede utilizar para identificar tendencias en las quejas de los clientes, lo que permite a las IF tomar las medidas correctivas necesarias.

Desafíos que impiden la velocidad de adopción de la PNL

Por mucho que la utilidad potencial de la PNL haya estado ganando atención, siguen existiendo desafíos clave que han impedido la velocidad de su adopción en toda la industria. Estos se relacionan con la disponibilidad de datos, la experiencia técnica requerida para una implementación efectiva y la complejidad de los textos regulatorios escritos en varios idiomas.

1. Disponibilidad de datos

Para obtener resultados de PNL precisos y confiables, las organizaciones necesitarían ajustar sus modelos, para lo cual se necesitan conjuntos de datos específicos de dominio anotados de manera confiable. Esto ha demostrado ser un desafío: una encuesta de la industria de PNL de 2021 vio que el 39% de los líderes técnicos citan la dificultad en el ajuste fino como el principal desafío con la adopción de PNL.

Además, como las regulaciones están en constante evolución, los modelos de PNL tendrían que ajustarse constantemente para mantenerse al día con las nuevas demandas regulatorias emergentes. Dentro de la industria de servicios financieros regulados, se vuelve aún más complicado ya que las instituciones pueden estar involucradas en diferentes tipos de negocios, como minoristas, corporativos, mercados monetarios, financiamiento comercial, gestión de activos, etc.

Las mismas regulaciones pueden necesitar una aplicación diferente y, por lo tanto, conjuntos de datos en diferentes unidades. Por lo tanto, para obtener confianza en la interpretación y aplicación de la PNL, puede ser necesario obtener suficientes conjuntos de datos en múltiples IF para entrenar los modelos de PNL para que sean más adaptables a los estándares de la industria.

2. Experiencia técnica

Para implementar eficazmente soluciones de PNL, las empresas necesitarían adquirir la experiencia técnica necesaria que puede resultar un desafío, particularmente en el contexto del cumplimiento. Para un ajuste efectivo, las funciones y los profesionales de cumplimiento tendrían que desarrollar y exhibir una confluencia de experiencia en el dominio de cumplimiento y habilidades técnicas de IA.

Sin embargo, tales conjuntos de habilidades son actualmente dispares dentro de la industria. Según el reciente informe de Accenture, The Art of AI Maturity, una encuesta realizada a 850 ejecutivos de C-suite citó la falta de talento que esté familiarizado con la IA y la regulación como uno de los principales desafíos en las organizaciones que desarrollan modelos de IA que cumplen con las regulaciones.

Esta necesidad se ha vuelto mucho más frecuente en los últimos años, lo que llevó a algunas universidades a comenzar a ofrecer Financial Forensics como una nueva especialización de pregrado que cubre la comprensión legal, la tecnología y el análisis como módulos básicos, para hacer frente a la demanda. Sin embargo, hasta el momento en que los graduados ingresen a la fuerza laboral y adquieran suficiente experiencia, esta falta de experiencia técnica seguirá siendo un desafío.

3. Complejidad del texto y múltiples idiomas

Si bien la tecnología del lenguaje ha crecido exponencialmente para algunos idiomas, se está quedando atrás en la mayoría de otros. Uno de los principales desafíos de ampliar el alcance de la PNL a las lenguas desatendidas es el reconocimiento de los matices culturales. Sin suficiente sensibilidad cultural, sería fácil para NLP malinterpretar los requisitos regulatorios y los datos de cumplimiento.

Por ejemplo, en la anotación de datos para entrenar modelos de PNL, los anotadores que trabajan en la detección de discurso de odio o agresión, que inherentemente implica un grado de subjetividad, pueden permitir inconscientemente que se manifiesten sus sesgos o valores.

Tendencias de la industria que pueden acelerar la adopción de PNL

A pesar de los desafíos descritos, esperamos que la adopción de NLP dentro del cumplimiento normativo pueda ganar más impulso en el futuro cercano dadas las tendencias de la industria, como la creciente prevalencia de las Regulaciones de Lectura Mecánica (MRR) y el cambio hacia presentaciones de datos granulares y Regulaciones Ejecutables de Máquina (MER).

1. Aumento de la prevalencia de regulaciones legibles por máquina

Para abordar el problema de la creciente complejidad y los costos asociados del cumplimiento normativo, tanto el sector oficial como el privado se han embarcado en iniciativas para permitir regulaciones legibles por máquina. Estas regulaciones legibles por máquina implican la codificación de regulaciones de supervisión de tal manera que los sistemas técnicos, con la ayuda de NLP, puedan realizar las interpretaciones necesarias para reducir la división entre la interpretación regulatoria y la intención.

Por ejemplo, los participantes del mercado de derivados están colaborando en una iniciativa de la industria: Informes ejecutables y legibles por máquina (MRER) para publicar una Comisión de Comercio de Futuros de Productos Básicos (CFTC) modificada de los Estados Unidos y un Reglamento Europeo de Infraestructura de Mercado (EMIR) requisitos de información comercial que son legibles por máquina.

En esta iniciativa, las reglas de presentación de informes se publican como códigos ejecutables que pueden ser leídos e interpretados automáticamente por los sistemas informáticos de las entidades informantes. El ímpetu de esto fue reducir la complejidad y el costo de la interpretación, y enfocar las IF en mejorar la calidad de los datos.

En el Reino Unido, la Autoridad de Conducta Financiera (FCA) está trabajando en la creación de su propio conjunto de regulaciones legibles por máquina y ejecutables.

Con la PNL como uno de los pilares clave que respaldan las regulaciones legibles por máquina, se puede esperar que su uso en el cumplimiento normativo aumente significativamente en el futuro.

2. Cambio hacia el envío de datos granulares

Un factor clave para ser legible por máquina y ejecutable por máquina son los envíos de datos granulares. Varios reguladores financieros han estado explorando el uso de presentaciones de datos granulares para reducir los informes ad hoc, eliminar los requisitos de informes duplicados y permitir el uso de datos para múltiples análisis de supervisión.

El Banco de Pagos Internacionales (BPI) había emprendido en 2021 el Proyecto Elipse, que investigó cómo la supervisión basada en datos podría habilitarse mediante informes digitales ejecutables por máquina, utilizando un modelo de datos común transfronterizo que captura atributos de datos detallados. Además, el proyecto exploró la aplicación de análisis avanzados, junto con NLP, para identificar correlaciones de riesgo y analizar el sentimiento, a través de la integración de datos granulares de informes regulatorios y datos no estructurados.

Además de permitir MER, tales desarrollos también podrían aumentar la forma en que las organizaciones serán supervisadas por sus reguladores, creando un impulso para que el cumplimiento normativo y las funciones de riesgo adopten NLP como parte de sus evaluaciones internas de riesgo y cumplimiento.

Recomendaciones

Teniendo en cuenta el considerable potencial de NLP para potenciar las funciones de cumplimiento, así como las tendencias recientes de la industria, y a pesar de los desafíos, la adopción más amplia de NLP dentro del espacio de cumplimiento normativo es una cuestión de cuándo, no de si. Para las organizaciones que comienzan o continúan sus viajes de implementación de PNL, deben considerar lo siguiente.

1. Asegure la aceptación organizacional temprano con ganancias rápidas

El Estudio de Riesgos de Cumplimiento 2022 de Accenture encontró que, aunque muchas organizaciones reconocen la necesidad de inversiones tecnológicas para respaldar las funciones de cumplimiento, muchos líderes de cumplimiento se enfrentan a mandatos para aliviar los costos de cumplimiento en un momento de amplias medidas de reducción de costos.

Por lo tanto, se recomienda que los oficiales de cumplimiento, al comenzar su viaje de PNL, comiencen con sus casos de uso deseados en mente. Si bien el uso potencial de NLP puede ser amplio, es crucial adoptar un enfoque medido e incremental: al pilotar la implementación de NLP en áreas que podrían producir ganancias rápidas, los profesionales de cumplimiento estarían mejor posicionados para asegurar la aceptación organizacional para una mayor adopción de la tecnología en el futuro.

Para las organizaciones que pueden estar más avanzadas en su viaje de PNL, nuestro informe encontró que muchos oficiales de cumplimiento están considerando la deslocalización y la subcontratación. Esto podría reducir potencialmente los costos, aumentar el acceso al talento requerido y liberar fondos para futuras inversiones.

2. Mitigar los riesgos de adopción organizacional

Con el uso en rápida expansión de NLP no solo dentro del cumplimiento, sino en múltiples funciones dentro de las organizaciones, es crucial que las funciones de cumplimiento tengan una visión de toda la organización en la mitigación de los riesgos de adopción de NLP.

Por ejemplo, el uso de la PNL en la toma de decisiones crediticias (por ejemplo, mediante el análisis del estado emocional o la mentalidad empresarial del prestatario) podría conducir a riesgos regulatorios y de reputación si conduce a una toma de decisiones sesgada.

A medida que el mundo evoluciona hacia un estado en el que la IA se utiliza ampliamente para la toma de decisiones, la responsabilidad por diseño es cada vez más importante. Con ese fin, las IF deben garantizar que la adopción de la PNL esté respaldada por prácticas de gestión de riesgos modelo sólidas y consistentes y que esté alineada con las normas sociales y éticas y con el resto de la organización.

Sin embargo, esto puede resultar un desafío, ya que según el Estudio de Riesgos de Cumplimiento 2022 de Accenture, solo el 19% de los encuestados cree actualmente que su proceso de evaluación de riesgos está completamente integrado en su negocio. Por lo tanto, es clave que los departamentos de cumplimiento se centren en construir una cultura de cumplimiento para garantizar que la responsabilidad se comparta en toda la organización para un despliegue continuo y conforme de nuevas tecnologías como NLP.

3. Gestionar las expectativas regulatorias

Dadas las dificultades potenciales de la PNL, el uso de dicha tecnología en el espacio de cumplimiento puede atraer la atención regulatoria, o incluso el escrutinio. Teniendo esto en cuenta, las organizaciones deben tomar medidas proactivas para gestionar las expectativas regulatorias.

Esto debe incluir tener documentación sólida sobre el uso de la tecnología NLP respaldada por casos de uso sólidos, implementar prácticas sólidas de gestión de riesgos de modelos en todo el ciclo de vida del modelo y tener roles y responsabilidades claramente definidos. Los reguladores también buscan la responsabilidad individual sobre si las interpretaciones de las IF son hechas por humanos o máquinas.

Además, los reguladores globales y los organismos de establecimiento de estándares continúan dando forma y refinando los estándares de gobernanza de la IA y promoviendo la IA responsable. Los ejemplos incluyen la Iniciativa Veritas en Singapur y las Directrices éticas para una IA confiable en la UE. Por lo tanto, las organizaciones deben incorporar capacidades de escaneo de horizonte para identificar nuevos requisitos y capacidades de linaje de datos para rastrear los cambios en los modelos de PNL para garantizar la trazabilidad y la auditabilidad.

4. Experimenta con Sandboxes regulatorios

Las IF que buscan implementar soluciones innovadoras de PNL deben considerar colaborar con los reguladores a través de un entorno de sandbox regulatorio. Esto les permitiría experimentar y probar sus casos de uso en entornos a prueba de fallos, con algunos requisitos legales y reglamentarios relajados durante un período definido.

Las pruebas del modelo NLP en los datos de producción se pueden realizar en un entorno regulatorio donde los resultados se pueden monitorear y las desviaciones se pueden gestionar de manera segura sin ninguna repercusión en el negocio, lo que aumenta el cumplimiento del modelo.

El enfoque de sandbox regulatorio también ofrece la ventaja de la proximidad a los reguladores, permitiéndoles analizar y comprender los modelos de negocio, lo que ayuda en la gestión de expectativas. Ir más allá de la caja de arena regulatoria después de un piloto exitoso es el paso final pero más crítico para producir y escalar modelos de PNL.

5. Build vs comprar

Antes de embarcarse en una decisión inmediata para comenzar a construir sus propios modelos de PNL, las IF pueden considerar un conjunto de herramientas listas en el mercado que puedan aprovecharse para satisfacer sus necesidades. Algunas IF han optado por asociarse con empresas fintech, mientras que otras han optado por desarrollar sus capacidades de PNL internamente.

Para las IF que deciden construir, deben explorar el apoyo regulatorio o gubernamental disponible para su adopción de PNL. Por ejemplo, dada la capacidad de NLP para generar información más rica y facilitar una mejor toma de decisiones, las IF con sede en Singapur también podrían solicitar la subvención de Inteligencia Artificial y Análisis de Datos (AIDA), que cubre hasta el 50% de los gastos calificados.

En Hong Kong, HKMA y Cyberport han lanzado varias iniciativas como el AML Regtech Lab (AMLab) para centrarse en «tecnologías habilitadoras» para apoyar a la industria. Al participar en iniciativas de la industria, las IF podrían obtener acceso a un conjunto más amplio de datos específicos del dominio y experiencia técnica, abordando algunos de los principales desafíos de la implementación de PNL.

Conclusión

NLP se ha convertido en una herramienta clave en el diseño de la próxima generación de procesos de cumplimiento normativo, y sin duda tiene el potencial de transformar la función de cumplimiento normativo tal como la conocemos hoy en día. Sin embargo, como con cualquier tecnología emergente, existen desafíos que podrían impedir que las empresas la adopten o inviertan completamente en ella.

Sin embargo, con todos los beneficios que la PNL podría aportar, las funciones de cumplimiento harían bien en considerar los casos de uso de la PNL y cómo la tecnología puede mejorar sus capacidades, aprovechando el apoyo gubernamental y regulatorio disponible.

La adopción generalizada de la PNL es solo cuestión de tiempo, y las funciones de cumplimiento deberían comenzar a prepararse ahora.

Por Irene Liu, Catherine Lee, Cheuk Yin Lee y Michael Wongsosaputro en Accenture.

RELACIONADO:ACCENTURE,AI,AI GOVENANCE, AIDA, AML, AMLAB, BIS, CFTC, RIESGO DE CONDUCTA,CALIDAD DE DATOS, DERIVADOS, EMIR, GAFI, FCA, DETECCIÓN DE FRAUDE, GOBERNANZA, HKMA, KYC, MAS, MASIS, MODELOS, DINERO LAVADO, ANÁLISIS DE RED, NLP, PROJECT ELLIPSE, CAMBIO REGULATORIO, INFORMESREGULATORIOS, STR, ANÁLISIS DE TEXTO, UBS, VERITAS


Publicado originalmente: https://www.xbrl.org/news/natural-language-processing-is-here-to-stay/

Deja una respuesta