GFT mejora un 40% la detección de fraude con IA transaccional

GFT está impulsando el uso de los 'Transaction Foundation Models (TFM)', modelos de inteligencia artificial entrenados con el histórico transaccional de cada entidad financiera para crear una capa común de inteligencia reutilizable. En una prueba de concepto, esta aproximación mejoró un 40% la precisión en la detección de fraude y permite optimizar procesos como riesgo, cumplimiento normativo, pagos y personalización.

Los 'Transaction Foundation Models (TFM') representan un nuevo enfoque para la aplicación de la inteligencia artificial en el sector financiero. En lugar de desarrollar modelos independientes para cada caso de uso —como fraude, scoring, cumplimiento normativo o venta cruzada—, esta tecnología utiliza el histórico transaccional propio de cada entidad para aprender patrones de comportamiento y reutilizar ese conocimiento en múltiples procesos de negocio.

Con esta estrategia, pagos, transferencias, contrataciones y el comportamiento de los clientes dejan de alimentar modelos aislados para convertirse en una capa común de inteligencia capaz de dar soporte a funciones críticas como la prevención del fraude, la gestión del riesgo de crédito, el cumplimiento regulatorio, la optimización de pagos o la personalización de servicios.

Según GFT, este enfoque responde a uno de los principales retos de la banca actual: la proliferación de modelos de IA desarrollados de forma independiente, lo que incrementa los costes de mantenimiento, genera duplicidades y dificulta aprovechar todo el potencial de los datos disponibles.

En una prueba de concepto realizada por la compañía con un conjunto específico de datos, la precisión del modelo de detección de fraude aumentó un 40%, mejorando la capacidad de identificar correctamente las operaciones fraudulentas.

GFT está integrando los 'Transaction Foundation Models (TFM)' en Wynxx, su plataforma de IA agéntica.

La propuesta de GFT también responde a las crecientes exigencias regulatorias en materia de inteligencia artificial. El documento de consulta 'Sound Practices for Responsible Adoption of Artificial Intelligence', publicado por el Financial Stability Board (FSB), pone el foco en aspectos como el gobierno del dato, la supervisión humana, la rendición de cuentas y el control sobre proveedores externos.

Los TFM permiten que la inteligencia artificial se entrene dentro del perímetro de la propia entidad financiera y sobre datos propios, reforzando la soberanía del dato y el control sobre los modelos.

“Los Transaction Foundation Models permiten que las entidades financieras dejen de abordar la IA como una suma de modelos aislados y empiecen a construir una capa común de inteligencia basada en su propio negocio”, afirma Ignasi Barri, director ejecutivo global de IA y Datos de GFT Technologies. “El valor está en aprovechar el histórico transaccional con control, gobierno y orientación a casos de uso concretos. Cuando esa inteligencia se entrena dentro del perímetro de la entidad, ayuda además a reducir dependencias, reforzar la soberanía del dato y responder mejor a las exigencias de gobierno que acompañan a la adopción de IA en banca”.

La compañía destaca que esta capa común de inteligencia puede aplicarse a ámbitos como la detección de fraude y la prevención del blanqueo de capitales, el riesgo de crédito, la personalización de servicios, la optimización de pagos, el cumplimiento normativo y la gestión de recobros.

GFT está integrando esta tecnología en Wynxx, su plataforma de IA agéntica utilizada por más de un centenar de entidades financieras. Con ello, la compañía busca facilitar una adopción más eficiente, segura y gobernada de la inteligencia artificial, aprovechando el valor del dato transaccional para acelerar nuevos casos de uso y reducir la complejidad operativa de las organizaciones financieras.