RiskFM: desde modelos personalizados hasta inteligencia de la fundación

Imagine que llega al mostrador de una cafetería y dice: “Me gustaría un…”. Es relativamente fácil adivinar la siguiente palabra. Un latte, un espresso o un té son predicciones seguras. Así es como los grandes modelos de lenguaje (LLM), como ChatGPT y Gemini, son capaces de “resolver” patrones y predicciones de palabras e imágenes tan rápidamente: porque han construido una base (Foundation) sólida que facilita anticipar qué sigue en la secuencia.

Aunque el lenguaje tiene un alfabeto fijo, predecir qué transacción realizará un consumidor a continuación es mucho más difícil de acertar. Puede que esté comprando un café ahora, pero su próxima compra podría ser desde una galleta hasta un viaje al aeropuerto. Una amplia gama de factores, incluyendo hábitos de gasto, límites o métodos de pago, hace que anticipar la actividad siguiente sea un desafío mayor.

Es por eso que Feedzai ha desarrollado el Risk Foundation Model (RiskFM), el primer Modelo de Fundación Tabular de la industria diseñado específicamente para la toma de decisiones de riesgo en todo el ciclo de vida del crimen financiero, cubriendo múltiples casos de uso como fraude, antilavado de dinero (AML) e identidad. Actualmente en su fase de investigación, RiskFM ya ha demostrado la capacidad de aprender de forma autónoma patrones de comportamiento a través de vastos conjuntos de datos, logrando paridad con modelos personalizados desde el primer día, sin el esfuerzo de la ingeniería de variables (Feature Engineering) que requiere tanta mano de obra.

En este artículo, analizaremos cómo RiskFM ofrece a los bancos la próxima generación de detección de fraudes impulsada por IA y por qué este enfoque es la clave para ser más astutos que la próxima generación de amenazas.

Puntos Clave

• While large language models (LLMs) can learn the foundation of language making it easy to understand and predict a sequence, financial risk is significantly more challenging. That’s because there are so many payment methods, spending habits, and options that could come next.
• La creación de modelos tradicionales de aprendizaje automático (Machine Learning) suele requerir una inversión significativa de tiempo y trabajo manual. Además, al entrenarse con datos de una sola institución, no logran detectar patrones de amenazas globales emergentes.
• El modelo RiskFM de Feedzai, actualmente en etapa de investigación, está diseñado exclusivamente para datos transaccionales tabulares. Ha logrado paridad con modelos hechos a medida altamente ajustados, eliminando meses de limpieza de datos y trabajo de ingeniería de variables.
• RiskFM reduce drásticamente el “Time to Value” (tiempo para generar valor) al eliminar cuellos de botella operativos, permitiendo a los bancos detener el fraude de manera más efectiva con menos esfuerzo inicial.

Una Carrera Contra Criminales Financieros Adaptables

El lenguaje sigue un guión predecible. El crimen financiero, por otro lado, es un objetivo caótico y en constante movimiento. Los criminales no siguen las reglas de la ley y, cuando son descubiertos, inventan nuevas estrategias.

Ésta realidad adversaria significa que el comportamiento “normal” de un cliente no solo es difícil de adivinar; está siendo constantemente imitado o manipulado por estafadores sofisticados. Debido a que los datos transaccionales son mucho más ruidosos que una oración, las defensas actuales se ven obligadas a alcanzar amenazas que evolucionan más rápido que el software destinado a detenerlas.

“RiskFM demuestra que nuestra inversión de varios años en modelos de fundación está dando sus frutos. No solo somos parte de la conversación; estamos definiendo cómo se aplica a las complejidades de la prevención global de delitos financieros”. — Pedro Barata, director de Productos de Feedzai.

Hoy en día, construir un modelo de Machine Learning confiable suele requerir una labor considerable: Los científicos de datos deben construir manualmente variables para buscar patrones específicos, como la velocidad de las transacciones o saltos geográficos rápidos. También consume mucho tiempo. Ésta ingeniería manual dificulta la adaptación rápida a los cambios en los patrones de fraude y hábitos de consumo.

Además del esfuerzo técnico, estos modelos enfrentan el desafío de un “campo de visión” estrecho porque se entrenan de forma aislada. Esta visión limitada impide que los bancos vean patrones de amenazas globales más amplios. Para cuando se identifican e implementan nuevos patrones, los criminales ya podrían haber cambiado de táctica.

RiskFM Ofrece un Nuevo Paradigma para la Toma de Decisiones

Dicho de otro modo, el aprendizaje automático tradicional requiere que los científicos de datos identifiquen, definan y codifiquen patrones antes de que el modelo pueda aprender de ellos. Si un patrón no se captura, el modelo permanece ciego ante él. RiskFM aprende esos patrones de forma autónoma a partir de los propios datos, revelando señales que ninguna persona anticipó y que ningún conjunto de reglas podría haber capturado.

“La capacidad de combinar modelos supervisados personalizados listos para usar, sin ingeniería manual de características, tiene implicaciones reales en la forma en que las instituciones piensan sobre la velocidad, el costo y la cobertura de la implementación en todo el ciclo de vida del delito financiero, desde el fraude de tarjetas hasta AML”. — Sam Abadir, director de investigación, riesgo, delito financiero y cumplimiento, IDC

Debido a que RiskFM comprende la estructura fundamental del riesgo, crea un valor inmediato que elimina meses de ingeniería manual. El modelo está diseñado para tomar decisiones autónomas complejas, garantizando que, aunque la inteligencia tras bambalinas sea masiva, el cliente legítimo no experimente fricciones.

Cómo RiskFM Cambia el Juego

RiskFM está reimaginando cómo defendemos el ecosistema financiero: Así es como este enfoque de investigación es reescribir las reglas:

• De lo Manual a lo Autónomo: Utiliza aprendizaje autosupervisado para identificar patrones complejos de comportamiento financiero y firmas matemáticas profundas de riesgo de forma autónoma.
• Valor Inmediato: Las investigaciones iniciales muestran que RiskFM logra paridad con modelos personalizados altamente ajustados desde el Día 1, reduciendo el tiempo de iteración.
• Inteligencia Interinstitucional: RiskFM está capacitado en vastos conjuntos de datos  multiinstitucionales, lo que le permite descubrir una amplia gama de patrones de amenazas sofisticados. Debido a que comparte el conocimiento de la amenaza sin compartir nunca los datos personales subyacentes, cada banco de la red se beneficia de la inteligencia colectiva del modelo.
• Menor Barrera de Entrada: Al eliminar los cuellos de botella operativos, RiskFM permite a los bancos detener más fraudes con menos esfuerzo inicial.

Así como hemos aprendido a anticipar que un cliente en una cafetería probablemente esté pidiendo un café con leche y no un cortacésped, RiskFM promete permitir que los bancos comprendan el flujo natural del comportamiento financiero. Estamos dejando atrás la era de construir cada defensa a mano para avanzar hacia un mundo donde sus sistemas ya “hablan el lenguaje del riesgo”.

RiskFM, actualmente en su etapa de investigación y desarrollo, es un avance en innovación que estamos refinando activamente junto con las instituciones líderes del mundo. No solo buscamos usuarios, sino socios. Si está listo para ayudar a dar forma al futuro de la inteligencia autónoma, lo invitamos a convertirse en un pionero de RiskFM. Al apoyarse ahora, puede ayudarnos a validar estos marcos contra los riesgos del mundo real y garantizar que su institución esté a la vanguardia del próximo gran cambio en la prevención de delitos financieros.

Recursos adicionales

• Blog: IA para la detección de fraudes: cómo funciona y por qué importa
• Informe: El futuro de la prevención del fraude: predicciones para 2026
• Investigación de analistas: Merging Fraud Detection, AML y Data Orchestration
• Solución: IA que va más allá de lo común