Análisis de grafos: impulsando la lucha contra el blanqueo de dinero
Govind Gopinathan Nair, director técnico de productos, Delitos financieros y cumplimiento | 24 de enero de 2022
La rápida adopción de los pagos digitales y la proliferación de los servicios de tecnología financiera han ampliado el acceso a los servicios financieros y han facilitado y agilizado las transferencias de dinero a nivel mundial. Esto ha provocado un aumento explosivo del volumen de actividades financieras y de los datos que estas generan. Estos grandes tesoros de datos contienen señales que pueden permitir la detección y prevención de delitos financieros.
La mayoría de las soluciones contra el blanqueo de dinero (AML) que se utilizan en la actualidad son sistemas de detección de comportamientos basados en reglas que no fueron diseñados para identificar patrones complejos y sospechosos de actividad transaccional. Además, los sistemas tradicionales de lucha contra el blanqueo de dinero suelen utilizar bases de datos relacionales, en las que puede resultar complicado determinar las relaciones y conexiones entre las entidades. Se trata de una limitación importante que puede obstaculizar los esfuerzos para detectar e investigar posibles casos de blanqueo de dinero.
Una tecnología en constante evolución que puede dar a las instituciones financieras una ventaja en la lucha contra la delincuencia financiera es la combinación de grafos y análisis de grafos. Los grafos y el machine learning de grafos ya se están utilizando para crear gráficos de conocimiento que impulsen las recomendaciones y las búsquedas en algunas de las empresas de tecnología más grandes, para impulsar investigaciones de vanguardia que resuelvan el plegamiento de proteínas y descubran nuevos medicamentos. Del mismo modo, los grafos y el análisis de grafos pueden ser una herramienta potente en el conjunto de herramientas de lucha contra la delincuencia financiera en el sector.
Comprensión del análisis de grafos
En su forma más simple, un grafo consta de nodos o vértices que representan entidades conectadas por aristas que representan las relaciones entre estas entidades. Estos grafos pueden ser dirigidos o no dirigidos, dependiendo de la naturaleza de estas relaciones. Los grafos son la forma más natural de representar relaciones. Además, los grafos de propiedades permiten capturar datos adicionales sobre los nodos y las aristas.
Las modernas herramientas de análisis de grafos pueden analizar las relaciones entre entidades, los atributos de estas entidades tal y como se capturan mediante las propiedades de nodos y aristas, y cómo evolucionan con el tiempo. Los lenguajes de consulta de grafos como PGQL permiten a los usuarios realizar consultas precisas sobre patrones complejos. Además, las redes neuronales gráficas modernas pueden aprender representaciones de dichos grafos que combinan la topología y las relaciones de los grafos junto con las propiedades de sus nodos y aristas. Por ello, el análisis de grafos se está convirtiendo en la herramienta preferida para analizar relaciones, dependencias complejas, enlaces ocultos, redes y clústeres.
Las entidades financieras, las transacciones y las relaciones pueden representarse de forma natural mediante grafos. El análisis de grafos permite a las aplicaciones AML identificar, consultar, analizar y visualizar relaciones entre entidades tales como clientes, cuentas, hogares, etc., basándose en transacciones, direcciones compartidas, números de teléfono o correos electrónicos. Por lo tanto, se está convirtiendo rápidamente en una herramienta muy solicitada por analistas y profesionales del AML para extraer información de datos de transacciones financieras y comprender relaciones complejas y poco evidentes.
Uso del análisis de grafos para combatir el blanqueo de dinero
La capacidad de analizar vínculos y relaciones entre entidades convierte al análisis de grafos en la herramienta ideal para la lucha contra el blanqueo de dinero. El análisis de grafos ofrece varias oportunidades para combatir el blanqueo de dinero de forma innovadora. Puede mejorar la eficacia y la efectividad de un programa tradicional de AML varias veces. Veamos cómo.
1. Identifica las entidades de mayor riesgo.
Algoritmos de clasificación como la centralidad de proximidad, la centralidad de grado, la centralidad de vector propio, etc., se pueden utilizar para clasificar nodos en un grafo. Estas medidas capturan la importancia de un nodo para un grafo en diferentes dimensiones.
Por ejemplo, la centralidad por grado captura el grado de conexión de cada nodo en un grafo, mientras que la centralidad por vector propio mide el grado de conexión de un nodo con otros nodos altamente conectados en el grafo. Estas medidas de centralidad pueden determinar los nodos más significativos en el gráfico financiero.
Los algoritmos de distribución de grados son una forma sencilla de analizar la estructura de un grafo. Por ejemplo, en un grafo de transacciones típico, las entidades con el grado de vértice más alto (número de vecinos) suelen ser entidades comerciales. Las instituciones pueden analizar la distribución de los títulos de sus clientes e identificar aquellos casos atípicos con títulos inusualmente altos en comparación con el perfil de sus clientes. Dichas entidades podrían ser candidatas a una diligencia debida mejorada o a una diligencia debida continua como parte del proceso continuo de conocimiento del cliente (KYC).
2. Mejora en la detección y supervisión
Los lenguajes de consulta de grafos como PGQL permiten a los usuarios escribir consultas o situaciones que capturan patrones complejos de movimientos de fondos. Estas herramientas permiten un seguimiento más personalizado de patrones específicos de alto riesgo. Esto puede resultar especialmente útil para identificar a los beneficiarios finales (UBO), cuando estos se encuentran integrados en una compleja cadena de propiedad y transacciones.
Los algoritmos de grafos se pueden utilizar para encontrar la ruta más corta entre nodos en el grafo sin transacciones (grafo que solo tiene en cuenta las relaciones no transaccionales). Si la ruta más corta en el grafo de transacciones (teniendo en cuenta solo los datos de las transacciones) entre los mismos nodos es mucho más larga, podría indicar un intento de estratificar fondos.
Las redes neuronales gráficas modernas también nos permiten aprender incrustaciones o representaciones de los nodos en un grafo. Las incrustaciones capturan la topología, las relaciones y las propiedades de un nodo. Estas incrustaciones también pueden utilizarse en modelos descendientes, como la puntuación de riesgo de los clientes o la puntuación de eventos, lo que puede mejorar considerablemente el rendimiento de los modelos y reducir tanto los falsos positivos como los falsos negativos. También hay disponibles explicaciones sobre las redes neuronales gráficas que pueden resolver dudas sobre estas incrustaciones.
3. Proporciona contexto y acelera las investigaciones:
Cada vez que se señala una alerta, es importante que los analistas de AML determinen si se trata de un incidente aislado o interconectado. En una investigación tradicional contra el blanqueo de dinero, sería difícil identificar conexiones en conjuntos de datos dispersos (clientes, cuentas, transacciones, etc.). Sin embargo, el desarrollo de un grafo para representar un caso permite visualizar y analizar gráficamente, lo que ayuda a los investigadores a obtener una visión contextual de la entidad investigada.
Las modernas técnicas de aprendizaje profundo de grafos también nos permiten aprender incrustaciones para los casos y, a continuación, mostrar informes de actividades sospechosas (SAR) similares que pueden proporcionar una orientación útil a los investigadores.
4. Grafos de conocimiento sobre delitos financieros
Un objetivo a largo plazo para las instituciones financieras puede ser la creación de un grafo de conocimiento sobre delitos financieros. La combinación del procesamiento moderno del lenguaje natural (NLP) y las bases de datos gráficas permitirá a las instituciones crear un único grafo de delitos financieros que recopile todos los datos estructurados y no estructurados, internos y externos de los clientes. Ello permitirá una comprensión más profunda de los clientes que será útil en varias funciones, como KYC, investigaciones e incluso marketing.
Resumen
Esto es solo una muestra de los posibles casos de uso que permite el análisis de grafos. Las instituciones pueden probar algunos casos de uso más sencillos antes de embarcarse en una adopción a gran escala.
El análisis de grafos permite a los científicos de datos identificar anomalías y patrones que pueden mejorar la detección, reducir los costos y acelerar el cumplimiento de la normativa contra el blanqueo de dinero. También ofrece potentes capacidades de visualización que pueden mejorar notablemente la productividad de los investigadores y ayudarles a comprender patrones de actividad complejos y enrevesados.
La implementación del análisis de grafos como parte del conjunto de herramientas contra el blanqueo de dinero requiere recursos cualificados, inversión y compromiso; sin embargo, los beneficios superan con creces estos costos, ya que la adopción de dicho análisis puede impulsar los programas de cumplimiento contra el blanqueo de dinero en bancos e instituciones financieras.