Se proyecta que las pérdidas financieras por fraude en transacciones con tarjetas de crédito en todo el mundo alcancen más de $403 mil millones durante la próxima década.
El nuevo NVIDIA AI Blueprint para la detección de fraudes financieros puede ayudar a combatir esta creciente epidemia, utilizando un procesamiento de datos acelerado y algoritmos avanzados para mejorar la capacidad de la IA para detectar y prevenir el fraude en las transacciones con tarjetas de crédito.
Lanzado en la conferencia de servicios financieros Money20/20, el blueprint proporciona un ejemplo de referencia para que las instituciones financieras identifiquen patrones sutiles y anomalías en los datos de transacciones en función del comportamiento del usuario para mejorar la precisión y reducir los falsos positivos en comparación con los métodos tradicionales.
Muestra a los desarrolladores cómo crear un workflow de detección de fraudes financieros proporcionando código de referencia, herramientas de implementación y una arquitectura de referencia.
Las empresas pueden optimizar la migración de sus workflows de detección de fraude de la computación tradicional a la computación acelerada utilizando la plataforma de software NVIDIA AI Enterprise y la computación acelerada de NVIDIA. NVIDIA AI Blueprint está disponible para que los clientes lo ejecuten en Amazon Web Services y Hewlett Packard Enterprise, y pronto estará disponible en Dell Technologies. Los clientes también pueden utilizar el blueprint a través de las ofertas de servicios de los socios de NVIDIA, incluidos Cloudera, EXL, Infosys y SHI International.
Las empresas que adoptan herramientas y estrategias integrales de machine learning (ML) pueden observar una mejora estimada de hasta el 40% en la precisión de la detección de fraudes, lo que aumenta su capacidad para identificar y detener a los estafadores más rápido y mitigar el daño.
Como tal, organizaciones financieras líderes como American Express y Capital One han estado utilizando la IA para crear soluciones patentadas que mitiguen el fraude y mejoren la protección del cliente.
El nuevo AI Blueprint acelera el entrenamiento y la inferencia de modelos, y demuestra cómo estos componentes se pueden envolver en una única oferta de software fácil de usar, impulsada por IA de NVIDIA.
Actualmente optimizado para el fraude de transacciones con tarjetas de crédito, el blueprint podría adaptarse para casos de uso como el fraude de cuentas nuevas, la apropiación de cuentas y el lavado de dinero.
Uso de Computación Acelerada y Redes Neuronales de Grafos para la Detección de Fraudes
Los pipelines tradicionales de ciencia de datos carecen de la aceleración de computación necesaria para manejar los enormes volúmenes de datos necesarios para una detección eficaz del fraude. Los modelos de ML como XGBoost son eficaces para detectar anomalías en transacciones individuales, pero se quedan cortos cuando el fraude involucra redes complejas de cuentas y dispositivos vinculados.
Para ayudar a abordar estas brechas, NVIDIA RAPIDS, parte de la colección de microservicios, bibliotecas, herramientas y tecnologías de NVIDIA CUDA-X, permite a las empresas de pago acelerar el procesamiento de datos y transformar los datos sin procesar en funciones poderosas a escala. Estas empresas pueden alimentar sus modelos de IA e integrarlos con redes grafo neuronales (GNN) para descubrir patrones de fraude ocultos a gran escala mediante el análisis de las relaciones entre diferentes transacciones, usuarios y dispositivos.
El uso de árboles de decisión potenciados por gradiente, un tipo de algoritmo de ML, que aprovecha bibliotecas como XGBoost, ha sido durante mucho tiempo el estándar para la detección de fraudes.
El nuevo AI Blueprint para la detección de fraudes financieros mejora el modelo de ML de XGBoost con bibliotecas de ciencia de datos NVIDIA CUDA-X, incluidas GNN, para generar incrustaciones que se pueden usar como funciones adicionales para ayudar a reducir los falsos positivos.
Las incrustaciones de GNN se introducen en XGBoost para crear y entrenar un modelo que luego se puede orquestar. Además, NVIDIA Dynamo-Triton, anteriormente Servidor de Inferencia NVIDIA Triton, impulsa la inferencia en tiempo real al tiempo que optimiza el rendimiento, la latencia y la utilización de los modelos de IA.
NVIDIA CUDA-X Data Science y Dynamo-Triton se incluyen con NVIDIA AI Enterprise.
Las Principales Organizaciones de Servicios Financieros Adoptan la IA
En un momento en el que muchas grandes instituciones financieras norteamericanas informan sobre el fraude en línea o móvil, las pérdidas siguen aumentando, la IA está ayudando a combatir esta tendencia.
American Express, que comenzó a utilizar la IA para combatir el fraude en 2010, aprovecha los algoritmos de detección de fraude para monitorear todas las transacciones de los clientes a nivel mundial en tiempo real, generando decisiones de fraude en solo milisegundos. Mediante el uso de una combinación de algoritmos avanzados, uno de los cuales aprovechó la plataforma de IA de NVIDIA, American Express mejoró la precisión del modelo, lo que mejoró la capacidad de la empresa para combatir mejor el fraude.
Banco digital europeo bunq utiliza IA generativa y grandes modelos de lenguaje para ayudar a detectar el fraude y el lavado de dinero. Su sistema de monitoreo de transacciones impulsado por IA logró velocidades de entrenamiento de modelos casi 100 veces más rápidas con la computación acelerada de NVIDIA.
BNY anunció en marzo de 2024 que se convirtió en el primer banco importante en implementar un NVIDIA DGX SuperPOD con sistemas DGX H100, que ayudará a crear soluciones que respalden la detección de fraudes y otros casos de uso.
Y ahora, los integradores de sistemas, los proveedores de software y los proveedores de servicios en la nube pueden integrar el nuevo blueprint de NVIDIA para la detección de fraudes para impulsar sus aplicaciones de servicios financieros y ayudar a mantener seguros el dinero, las identidades y las cuentas digitales de los clientes.
Explora el blueprint de IA de NVIDIA para la detección de fraudes financieros y lee este blog técnico de NVIDIA sobre cómo potenciar la detección de fraudes con GNN.