La detección de lavado de dinero (AML, por sus siglas en inglés) es un desafío constante para las instituciones financieras. La generación de alertas de transacciones sospechosas es el primer paso en la lucha contra este delito, pero la tarea de triar esas alertas es un proceso laborioso y exigente que requiere la intervención de investigadores.
En este contexto, un grupo de investigadores propone un marco de triaje para la detección de lavado de dinero que combina la precisión de los grandes modelos de lenguaje (LLMs) con la transparencia necesaria para la regulación. Según su estudio publicado en el servidor de archivos de prepublicaciones ArXiv, su método se inspira en la capacidad de los LLMs para resumir evidencia y redactar razonamientos, pero con la adición de controles para evitar la generación inconsciente de información falsa.
El marco de triaje propuesto por los investigadores se basa en tres componentes clave:
- Retrieval-augmented evidence bundling: En esta fase, el sistema recopila y organiza la evidencia relevante para cada alerta de transacción sospechosa. Esto incluye la guía de políticas y tipologías, el contexto del cliente, los desencadenantes de alerta y los gráficos de transacciones.
- Structured LLM output contract: En esta fase, el sistema utiliza un modelo de lenguaje grande para resumir la evidencia y redactar un razonamiento para cada alerta. Sin embargo, el sistema requiere que el modelo de lenguaje se comporte de manera específica: debe proporcionar citaciones explícitas y separar la evidencia que respalda la decisión de la que contradice o falta.
- Counterfactual checks: En esta fase, el sistema valida si cambios plausibles en la evidencia original conducen a cambios coherentes en la recomendación de triaje y en el razonamiento que la sustenta.
El equipo de investigadores evaluó su marco de triaje en conjuntos de datos públicos sintéticos y simuladores de la detección de lavado de dinero y comparó los resultados con otros métodos, como reglas, aprendizaje automático tabular y gráfico, y variantes de LLM y Retrieval-Augmented Generation (RAG) solos. Los resultados mostraron que el marco de triaje propuesto por los investigadores mejoraba significativamente la auditoría y reducía los errores de numeración y política de generación de información falsa, al mismo tiempo que aumentaba la explicabilidad y robustez de las decisiones.
Según los investigadores, su marco de triaje ofrece una solución práctica para el triaje de alertas de lavado de dinero sin sacrificar los requisitos de regulación para la transparencia y la defensa. Esto podría tener implicaciones importantes para las instituciones financieras y las agencias regulatorias que trabajan para combatir el lavado de dinero.
Las implicaciones de este estudio son significativas, ya que sugieren que los LLMs pueden ser utilizados de manera efectiva en el contexto de la lucha contra el lavado de dinero, siempre y cuando se implementen controles adecuados para garantizar la transparencia y la defensa. Esto podría tener un impacto profundo en la forma en que las instituciones financieras y las agencias regulatorias abordan este desafío constante.
En resumen, el estudio de los investigadores proporciona un marco de triaje innovador para la detección de lavado de dinero que combina la precisión de los LLMs con la transparencia necesaria para la regulación. Sus hallazgos tienen implicaciones importantes para la lucha contra el lavado de dinero y podrían marcar un cambio significativo en la forma en que se aborda este desafío en el futuro.
