El “machine learning” sigue consolidándose el mercado global de la ciberseguridad pese a que tiene una historia que supera el medio siglo de existencia. Enfocado en el “aprendizaje de máquinas”, esta área de la inteligencia artificial experimenta también un renovado impulso en Chile gracias a sus nuevas capacidades de procesamiento en computadores de última generación, constituyendo una herramienta vigente en empresas preocupadas de proteger sus sistemas de pago y transacción.
El mayor uso de “machine learning” se registra en la prevención de fraudes a través de internet. Tal es su crecimiento a nivel mundial que, sólo en 2017, Stripe, la multinacional tecnológica a cargo de procesar pagos de cientos de millones de clientes, evitó fraudes por aproximadamente US$4 mil millones.
En Chile, en tanto, la empresa especialista en el desarrollo de software, inteligencia artificial y visualización de datos, Asimov Consultores, viene aplicando modelos de aprendizaje supervisados para la detección de fraudes, utilizando para ello, y con muy buenos resultados hasta ahora, algoritmos para sistemas de recomendación. Las nuevas capacidades de procesamiento han permitido, asimismo, acortar los tiempos de cálculos y propiciar la autonomía en materia de decisiones
“Ejecutar un proyecto de machine learning en esta materia necesita de una gran cantidad de datos de transacciones fraudulentas y correctas para que un humano las clasifique, de acuerdo a su experiencia. La información se inserta en una máquina, la cual, por medio de métodos estadísticos, busca patrones que identifican las principales variables que inciden en el fraude”, explica el Gerente General de Asimov Consultores, Felipe Mancini, respecto al funcionamiento del servicio.
El experto de la compañía agrega que a este tipo de tecnología le queda mucho por crecer y explorar, ya que, lamentablemente, el fraude se puede presentar en diversos tipos de organizaciones, públicas y privadas, es decir, empresas relacionadas a seguros, sistemas de pago, bancos, entrega de subsidios y otros beneficios.
El éxito del “machine learning”, aplicado a cualquier área de la industria, requiere de la conjugación de múltiples disciplinas, desde el uso de modelos matemáticos estadísticos, el procesamiento de grandes volúmenes de datos, programación y cómputo en la nube. Sin embargo, hay dos elementos adicionales para un modelo eficiente y eficaz de aprendizaje automático: la ética y la rigurosidad.
“Muchas veces podemos estar programando y decidiendo en base a algoritmos alimentados con datos mal interpretados, sesgados o manipulados. De ahí el deber de actuar de forma muy responsable y transparente, ya que el pilar fundamental de la confianza del ‘machine learning’ será la forma en la que gestionemos y gobernemos en el futuro”, puntualiza Mancini.
