Publicado el 12 de mayo de 2024 por Editor
En un mundo cada vez más online, la necesidad de verificar con precisión las entidades jurídicas es primordial. Ingrese a la inteligencia artificial (IA), una tecnología transformadora que promete automatizar la verificación y el monitoreo de entidades, reduciendo así el riesgo de fraude y actividades delictivas. Damian Borth, profesor de Inteligencia Artificial y Aprendizaje Automático en la Universidad de St. Gallen, completó recientemente un proyecto con la GLEIF que explora cómo la IA puede impulsar la verificación de entidades legales. En una publicación de blog reciente, arrojó luz sobre cómo aprovechar datos de entidades legales abiertos, estandarizados y de alta calidad dentro de los modelos de IA puede mejorar la seguridad financiera.
Las tecnologías de inteligencia artificial y aprendizaje automático ofrecen una solución innovadora para los desafíos contra el lavado de dinero (AML). Al analizar grandes conjuntos de datos, pueden detectar patrones y anomalías complejos, lo que mejora significativamente la detección de transacciones sospechosas. La reciente colaboración del profesor Borth con la GLEIF dio como resultado un modelo de IA capaz de predecir con precisión la forma jurídica de una entidad utilizando su nombre y jurisdicción, lo que muestra el potencial de la IA para mejorar la confiabilidad de los datos comerciales.
Combinar la tecnología de IA con datos de alta calidad ofrece los mejores resultados. El profesor Borth describe cómo los datos abiertos, confiables, estandarizados y de alta calidad son fundamentales para el desarrollo exitoso de la IA. Los datos estandarizados garantizan que los modelos de IA estén entrenados con información precisa, lo que genera resultados más efectivos.
Los datos estructurados, como los datos sobre entidades jurídicas proporcionados por el Identificador de entidad jurídica (LEI), enriquecen la investigación de IA al proporcionar un conjunto de datos consistente para entrenar y probar modelos de IA en contextos financieros y legales. Esta uniformidad mejora la confiabilidad y la interoperabilidad del modelo entre jurisdicciones y mejora las capacidades de toma de decisiones del modelo de IA.
El reciente proyecto de la GLEIF demuestra cómo aprovechar la sinergia entre la IA y los datos estructurados tiene un gran potencial para la presentación de informes empresariales. Al utilizar conjuntos existentes de datos estructurados, podemos crear modelos de IA más útiles y precisos que contribuyan a la seguridad y la transparencia financieras.
Para obtener más información, lea la entrevista aquí.
Mejorar la verificación empresarial con IA: ¿una nueva frontera en la lucha global contra el fraude?
Damian Borth, profesor de Inteligencia Artificial y Aprendizaje Automático en la Universidad de St. Gallen, explica cómo aprovechar datos de entidades legales abiertos, estandarizados y de alta calidad dentro de modelos de IA puede permitir interacciones comerciales más transparentes, eficientes y seguras en todo el mundo.
Autor: Damian Borth, profesor de Inteligencia Artificial y Aprendizaje Automático de la Universidad de St. Gallen
- Fecha: 2024-04-29
- Vistas: 152
En la economía digital global actual, verificar la identidad de las entidades legales nunca ha sido más crítico o desafiante. En respuesta, existe un interés creciente en el potencial de la tecnología de inteligencia artificial (IA) para automatizar la verificación y el monitoreo de entidades. Al aumentar la eficiencia y eficacia de los procesos críticos, se puede reducir el riesgo de fraude y otras actividades delictivas, contribuyendo a un entorno empresarial más seguro para todos.
Sin embargo, persisten desafíos. Muchas aplicaciones actuales de IA se ven inhibidas porque los datos subyacentes no están estandarizados, no son fácilmente consumibles ni compartibles. Esto no sólo desperdicia una valiosa potencia informática, sino que también agrava los errores sistémicos.
Varias tendencias, desarrollos e iniciativas recientes en materia de estándares de datos y monitoreo de transacciones abordan los desafíos que tradicionalmente han inhibido los esfuerzos contra el lavado de dinero (AML). ¿Puedes explicar el papel que pueden desempeñar la IA y la tecnología de aprendizaje automático?
La IA y el aprendizaje automático son muy prometedores para abordar los desafíos ALD al mejorar la eficiencia y eficacia de los procesos de cumplimiento y monitoreo de transacciones. Pueden analizar grandes conjuntos de datos para identificar patrones o anomalías complejos y encontrar actividades fraudulentas, lo que mejora significativamente la detección de transacciones sospechosas. Además, la IA puede adaptarse y aprender de nuevos datos, lo que la hace invaluable en los cambiantes panoramas ALD, donde los estafadores y las entidades de monitoreo intentan superarse entre sí.
¿Cómo puede la combinación de tecnología de inteligencia artificial y datos de alta calidad ayudar a cuantificar y gestionar mejor los riesgos comerciales globales?
La IA y las fuentes de datos externas de alta calidad pueden mejorar significativamente la gestión de riesgos al mejorar la precisión de la verificación empresarial. Los algoritmos de IA también pueden automatizar el seguimiento de los datos de las entidades jurídicas, contribuyendo a un entorno financiero global más seguro al minimizar el riesgo de fraude.
A medida que las operaciones comerciales se vuelven más automatizadas, ¿cómo evaluaría el equilibrio entre el valor agregado y los riesgos de la tecnología de inteligencia artificial?
La automatización de los procesos de identificación, habilitada por la IA y el aprendizaje automático, ofrece mayor eficiencia y mejora la precisión de los datos proporcionados, mejorando el cumplimiento normativo y reforzando la confianza en las transacciones comerciales.
Sin embargo, también podría introducir riesgos como posibles errores sistémicos, sesgos o vulnerabilidades de ciberseguridad. Equilibrar la automatización con la supervisión humana y garantizar medidas de seguridad sólidas es esencial para mitigar estos riesgos.
¿Qué importancia tienen los datos abiertos, confiables, estandarizados y de alta calidad para la comunidad de IA?
En pocas palabras, es fundamental y siempre se ha considerado vital para desarrollar con éxito sistemas de IA. Dichos datos garantizan que los modelos de IA estén entrenados con información precisa, lo que genera resultados más efectivos y confiables. La estandarización facilita la interoperabilidad entre diferentes sistemas de IA y mejora la reproducibilidad de la investigación de IA. Los datos de alta calidad también reducen los sesgos y mejoran la capacidad de toma de decisiones de los modelos, lo cual es crucial para aplicaciones en áreas sensibles como las finanzas y los sistemas legales.
Ha colaborado con la GLEIF en un modelo para identificar y sugerir la forma jurídica correcta de una entidad. ¿Podría resumir los hallazgos clave?
En primer lugar, es importante reconocer que identificar y comprender la forma jurídica de una entidad es clave para diversos procesos financieros y relacionados con el negocio. Aun así, las muchas formas jurídicas diferentes entre y dentro de las jurisdicciones introducen una complejidad significativa. Por lo tanto, la capacidad de identificar automáticamente la forma jurídica de una empresa y vincularla a su código de forma jurídica de entidad (ELF) correspondiente puede generar innumerables beneficios: aumentar la transparencia, reducir el riesgo y aumentar la eficiencia operativa.
Nuestra colaboración con la GLEIF dio como resultado un modelo de IA, conocido como Entendimiento del Nombre de la Entidad Legal (LENU), capaz de predecir con precisión la forma jurídica de una entidad utilizando solo su nombre y jurisdicción. El modelo de lenguaje que entrenamos fue capaz de vincular patrones específicos en nombres legales y nomenclaturas específicas de jurisdicciones para derivar formas legales a partir de estos. La alta precisión del modelo muestra el potencial de la IA para mejorar la confiabilidad de los datos comerciales. Esto tiene el potencial no sólo de acelerar el proceso de emisión del IPJ sino también de reducir significativamente los esfuerzos de verificación manual.
Resumimos nuestros hallazgos en un artículo de investigación científica, «Clasificación de formas jurídicas de entidades basadas en transformadores». El estudio destaca el importante potencial de los modelos basados en Transformer para avanzar en la estandarización y la integración de datos. La introducción de la forma jurídica de la entidad a través de elementos de datos estandarizados agrega más confianza a las tareas de vinculación de entidades, lo que permite pares de mapeo sólidos en múltiples conjuntos de datos, ya que cada entidad solo puede tener una forma legal.
La alta precisión del modelo muestra el potencial de la IA para mejorar la confiabilidad de los datos comerciales. Esto tiene el potencial no sólo de acelerar el proceso de emisión del IPJ sino también de reducir significativamente los esfuerzos de verificación manual.
¿Cómo podrían los datos estandarizados de las entidades jurídicas, como el IPJ, contribuir al ecosistema de investigación y desarrollo de la IA?
Los datos IPJ estandarizados enriquecen la investigación de IA al proporcionar un conjunto de datos global y consistente para entrenar y probar modelos de IA en contextos financieros y legales. Esta uniformidad mejora la confiabilidad del modelo en todas las jurisdicciones y mejora el rendimiento de las soluciones de IA. Los conjuntos de datos del IPJ también pueden facilitar la investigación de la IA en áreas como la detección de fraude, la verificación de entidades y el cumplimiento normativo. Al servir como punto de referencia, los datos del IPJ pueden desempeñar un papel clave en la evaluación de los modelos de IA en la industria financiera.
¿Cuál es su mensaje para el futuro?
El futuro de la IA, potenciado por datos estandarizados y abiertos, tiene un inmenso potencial para transformar los sectores financiero y legal. Aprovechando esta sinergia, permitiremos mejoras rápidas que garanticen sistemas financieros globales más transparentes, eficientes y seguros. Esta evolución promete un mejor cumplimiento normativo, una reducción del fraude y una comprensión más profunda de las complejas redes financieras.
En resumen, veremos y comprenderemos más sobre un mundo al que ahora no es fácilmente accesible.
Sobre el Autor:
El Prof. Dr. Damian Borth es director del Instituto de Ciencias de la Computación de la Universidad de St. Gallen, donde ocupa una cátedra titular en Inteligencia Artificial y Aprendizaje Automático (AIML). Anteriormente, Damian fue director fundador del Centro de Competencia de Aprendizaje Profundo en el Centro Alemán de Investigación de Inteligencia Artificial (DFKI) en Kaiserslautern, donde también fue PI del Laboratorio de IA de NVIDIA en DFKI.
La investigación de Damian se centra en el aprendizaje de representaciones con redes neuronales profundas en dominios como la visión por computadora, la teledetección y la auditoría financiera. Su trabajo ha sido galardonado con el premio ACM SIGMM Test of Time en 2023, el premio Google Research Scholar en 2022, el NVIDIA AI Lab en GTC 2016, el premio al mejor artículo en ACM ICMR 2012 y el premio McKinsey Business Technology en 2011. Actualmente, Damian es miembro del consejo de administración del Instituto Internacional de Ciencias de la Computación (ICSI) en Berkeley, California, del consejo de la Sociedad Alemana de Ciencia de Datos, del comité asesor del Instituto Román Herzog y del consejo asesor del HSG. Instituto de Ciencia y Tecnología del Comportamiento.
Damian realizó su investigación postdoctoral en UC Berkeley y el Instituto Internacional de Ciencias de la Computación (ICSI) en Berkeley, donde participó en proyectos de big data en el Laboratorio Nacional Lawrence Livermore. Recibió su doctorado de la Universidad de Kaiserslautern y del Centro Alemán de Investigación en Inteligencia Artificial (DFKI). Durante ese tiempo, Damian estuvo como investigador visitante en el Laboratorio de Video Digital y Multimedia de la Universidad de Columbia, en la ciudad de Nueva York, EE. UU.
Etiquetas para este artículo:
Índice Global LEI, Fundación Global de Identificadores de Entidades Legales (GLEIF), Lista de Códigos de Formas Legales de Entidades (ELF), Calidad de Datos, Datos Abiertos
La inteligencia artificial (IA) se une al IPJ
La economía digital y globalizada hace que la verificación de identidad por parte de empresas y autoridades sea más importante y más difícil de realizar con precisión. La transparencia de todos los actores es un requisito previo para cualquier inversión sostenible, informes o análisis cualificados. La transparencia comienza con el descubrimiento de las entidades involucradas en una transacción. Hoy en día, los algoritmos de IA se aplican para responder a la pregunta básica: «¿Con quién hago negocios?». Esto desperdicia recursos informáticos y solo aumenta el error asociado con objetivos posteriores como el análisis de riesgos. La evolución de las transacciones y ecosistemas digitales para utilizar el LEI y vLEI para identificar y autenticar organizaciones mejora la confianza en los ecosistemas digitales y permite la valiosa aplicación de algoritmos de IA para identificar patrones sospechosos y evaluar riesgos.
Identificar y comprender la forma jurídica de una entidad es crucial en muchos procesos financieros y relacionados con los negocios. La forma y estructura jurídica de las corporaciones pueden informar cómo realizar transacciones de manera efectiva y servir como indicador de riesgo. La amplia gama de formas jurídicas de entidades dentro y entre diferentes jurisdicciones ha dificultado que las organizaciones categoricen y estructuren esta información de manera efectiva. Esta tarea se vuelve aún más difícil debido a las similitudes en los tipos y la representación textual de estas formas legales en todas las jurisdicciones. Por lo tanto, automatizar el proceso de identificación de la forma jurídica de una entidad puede reducir el riesgo, crear transparencia y aumentar la eficiencia operativa al permitir capacidades de procesamiento directo (STP).
El Repositorio de IPJ proporciona datos de entidades jurídicas de código abierto, estandarizados y de alta calidad. Estos son requisitos previos para cualquier buen proyecto de análisis de datos o un modelo de IA. La moneda del Repositorio de LEI se protege actualizándola tres veces al día. Confiar en estándares globales no sólo garantiza la coherencia. Aumenta la calidad de los datos y ofrece un conjunto de datos etiquetados listos para usar para desarrollar modelos de aprendizaje automático (ML) e IA.
Entendimiento del nombre de la entidad legal (LENU)
GLEIF colaboró con Sociovestix Labs para crear una herramienta de aprendizaje automático que reconoce la forma jurídica específica de una entidad y automatiza su asignación de código de forma jurídica de entidad (ELF) correspondiente. La ‘Lista de códigos de formularios legales de entidades (ELF)’ se basa en la norma ISO 20275 ‘Servicios financieros – Formularios legales de entidades (ELF)’ y asigna un código alfanumérico único de cuatro caracteres a cada formulario legal de entidades. La forma jurídica de una entidad es crucial a la hora de verificar y examinar la identidad organizacional. Sin embargo, la amplia variedad de formas jurídicas de entidades dentro y entre jurisdicciones ha dificultado que las grandes organizaciones capturen formas jurídicas como datos estructurados. La herramienta, basada en la base de datos de Identificadores de Entidades Jurídicas (IPJ) de la GLEIF con más de dos millones de registros, permite a bancos, empresas de inversión, corporaciones, gobiernos y otras grandes organizaciones analizar retrospectivamente sus datos maestros, extraer la forma jurídica del texto no estructurado del nombre legal y aplicar uniformemente un código ELF a cada tipo de entidad, según la norma ISO 20275.
La herramienta, conocida como Legal Entity Name Understanding (LENU), ofrece una variedad de beneficios tanto para la organización como para el mercado global en general. Éstas incluyen:
- Automatizar la estandarización de datos no estructurados (forma jurídica de entidad como parte del nombre de la organización), fomentando una mayor calidad de los datos.
- Superar los problemas de clasificación de datos de forma legal derivados, por ejemplo, de variaciones de idioma e inconsistencias de abreviaturas y promover una mayor comprensión y transparencia en el mercado global.
- Presentar la forma jurídica de una entidad en un formato legible por máquina, que puede ser utilizado por herramientas de inteligencia artificial y en otros procesos y aplicaciones comerciales digitalizados.
- Evitar los riesgos y limitaciones asociados con la interacción manual con los datos, incluido el tiempo, la ineficiencia, el error humano y los altos costos administrativos.
Al crear conjuntos de datos más completos con una categorización mejorada de las entidades legales, la herramienta promueve una mayor comprensión y transparencia del mercado global. Trabaja con el LEI para crear un conjunto de datos coherente a nivel mundial.
LENU es una biblioteca Python de código abierto accesible en Git Hub. LENU utiliza los datos del LEI para crear modelos específicos de jurisdicción y permite al usuario obtener una sugerencia de forma jurídica para cualquier nombre legal determinado. La GLEIF ha establecido un circuito de calidad de los datos en el que la forma jurídica sugerida por la herramienta se compara con el código ELF en los datos LEI actuales. En caso de discrepancias claras entre los resultados del modelo y los datos actuales del IPJ, la GLEIF crea cuestionamientos de datos, que se envían a los emisores del IPJ para una verificación exacta y actualización de los registros de datos, cuando sea necesario. Luego, los datos actualizados se utilizan para crear la siguiente versión de los modelos con una fuente de datos mejorada, lo que en última instancia aumenta el rendimiento del modelo.
LENU utiliza una arquitectura de modelo de transformador y modelos base BERT para procesar varios idiomas y jurisdicciones. Los modelos también están disponibles y listos para usar en Hugging Face, donde el usuario encontrará modelos específicos de cada jurisdicción diseñados para la detección de formas legales.
GLEIF, la Universidad de St. Gallen y Sociovestix Labs resumieron sus hallazgos en un artículo de investigación científica, “Clasificación de formas jurídicas de entidades basadas en transformadores”. El estudio destaca el importante potencial de los modelos basados en Transformer para avanzar en la estandarización y la integración de datos. La introducción de la forma jurídica de la entidad a través de elementos de datos estandarizados agrega más confianza a las tareas de vinculación de entidades, lo que permite pares de mapeo sólidos en múltiples conjuntos de datos, ya que cada entidad solo puede tener una forma legal.
Publicado originalmente: https://www.xbrl.org/news/fighting-against-fraud-with-ai-for-business-verification/