Autor: Felipe Lopera Bohórquez
| Actualmente se ha venido incrementando el uso de la inteligencia artificial en diferentes áreas y profesiones, puesto que permite analizar rápidamente grandes cantidades de información y descubrir patrones y tendencias que podrían pasar desapercibidos para un ser humano.
En la prevención de lavado de activos y financiación del terrorismo (LAFT), es una herramienta clave el uso de la AI, ya que juega un papel importante en la segmentación de factores de riesgo LAFT; estos algoritmos optimizan el proceso de segmentación, facilitando una gestión efectiva frente a la generación de alertas y la verificación de transacciones.
Sin embargo antes de explicar a mayor profundidad el uso de la AI en la segmentación para la gestión de riesgos LAFT, es importante entender:
¿Qué es un algoritmo?Un algoritmo se refiere a una secuencia de pasos finitos que son bien definidos y resuelven un problema. Desde un concepto más informático, se puede entender como “Cualquier procedimiento computacional bien definido que parte de un estado inicial y un valor o un conjunto de valores de entrada, a los cuales se les aplica una secuencia de pasos computacionales finitos, produciendo una salida o solución. Se puede considerar al algoritmo como una herramienta para resolver un cálculo computacional bien especificado”. (Cormen, 2009)
Los algoritmos son fundamentales en el desarrollo de modelos y sistemas de inteligencia artificial, ya que constituyen la base para resolver problemas y realizar tareas específicas de manera eficiente.
Algunos tipos de algoritmos informáticos son:– Algoritmos de búsqueda y ordenación – Algoritmos de grafos – Algoritmos Programación dinámica – Algoritmos de backtracking – Algoritmos de fuerza bruta – Algoritmos de recursión – Algoritmos de búsqueda heurística – Algoritmos de aprendizaje automático o Machine Learning
Para el caso de la segmentación en los riesgos LAFT, podemos utilizar algoritmos de aprendizaje automático, puesto que permiten a las máquinas aprender patrones y relaciones a partir de datos y realizar tareas sin una programación explícita. Estos algoritmos pueden incluir aprendizaje supervisado, no supervisado y por refuerzo.
Para el proceso de segmentación podemos utilizar los siguientes métodos:
1. Agrupamiento o clustering: Son utilizados para categorizar datos no etiquetados según la similitud que el algoritmo encuentra dentro de ellos; con algoritmos de este tipo se pueden detectar correos spam o clasificar películas por su género; además, uno de los algoritmos más utilizados en este método es el algoritmo k-means, caracterizado por admitir variables numéricas o categorías codificadas.
2. Redes neuronales de kohonen: El objetivo de este método de algoritmo es organizar y agrupar los datos de entrada según sus similitudes y son útiles en aplicaciones de clustering, reconocimiento de patrones y compresión de datos, minería de datos y sistemas de ciberseguridad. 3. Árboles de decisión: Es utilizado para tareas de clasificación y regresión. Está compuesto por un árbol jerárquico con nodos que representan decisiones basadas en características del dato.
|
