Departamento del Seguridad Internacional y Defensa
Observatorio en Prevenci\u00f3n de Lavado de Activos y Compliance OPLAC<\/p>\n\n\n\n
<\/a><\/p>\n\n\n\n Marcela Aizcorbe [1]<\/strong><\/a><\/sup><\/p>\n\n\n\n La problem\u00e1tica del Lavado de Activos y del Financiamiento del Terrorismo( LA\/FT) tiene su origen en el \u00e1mbito internacional como consecuencia del paulatino crecimiento del crimen organizado. El crecimiento del crimen organizado es constante, pero en las \u00faltimas dos d\u00e9cadas, ha sido exponencial, en parte debido a la globalizaci\u00f3n, pero tambi\u00e9n por la transformaci\u00f3n digital y las nuevas tecnolog\u00edas que aceleraron sus procesos como consecuencia de la pandemia del Covid 19. Es as\u00ed como se observa que el crimen organizado se ha ido adaptando, manifest\u00e1ndose a trav\u00e9s de la ciberdelincuencia, donde toman relevancia las estafas, robos de datos personales, ataques de phishing y ransomware, suplantaci\u00f3n de identidad, fraudes inform\u00e1ticos, reclutamiento de los llamados coleros virtuales, para obtener informaci\u00f3n precisa que sea funcional a sus actos delictivos o bien realizar delitos cada vez m\u00e1s organizados y eficientes.<\/p>\n\n\n\n El proceso de transformaci\u00f3n digital busca aprovechar las tecnolog\u00edas digitales para crear o modificar las experiencias, la cultura del cliente, los procesos comerciales y al mismo tiempo colabora en la mitigaci\u00f3n de los riesgos. Por su parte la Inteligencia artificial (IA) ha sido reconocida como uno de los elementos determinantes de la transformaci\u00f3n digital.<\/p>\n\n\n\n En tal sentido, la inteligencia artificial[2]<\/sup><\/a>(IA) permite mediante la utilizaci\u00f3n de algoritmos imitar la inteligencia humana para realizar tareas y mejorarlas interactivamente a partir de la informaci\u00f3n que recopilan. La misma, ha irrumpido en sectores muy diversos, desde la industria farmac\u00e9utica, la fabricaci\u00f3n, la log\u00edstica,la agricultura de precisi\u00f3n y en el mundo financiero. Resulta importante se\u00f1alar, que puede ayudar a los bancos a detectar el fraude, predecir patrones del mercado y aconsejar operaciones a sus clientes. En el \u00e1mbito comercial, empresas como Amazon, la utilizan, para identificar si un libro tendr\u00e1 o no \u00e9xito, incluso antes de su lanzamiento. No cabe duda de que los beneficios de esta tecnolog\u00eda tienen importantes repercusiones para quienes tengan la previsi\u00f3n de invertir en ella, pero tambi\u00e9n genera riesgos si al utilizarla no se tienen en cuenta valores \u00e9ticos en sus pol\u00edticas, ni los derechos de los seres humanos. Los avances en la inteligencia artificial son sin duda extraordinarios, en varios \u00e1mbitos como lo hemos se\u00f1alado y en este contexto, no resulta dif\u00edcil imaginar su aplicaci\u00f3n para combatir el lavado de activos y financiamiento del terrorismo, de hecho ya existen en la industria fintech algunos proveedores[3]<\/sup><\/a> que manejan sistemas con esta tecnolog\u00eda.<\/p>\n\n\n\n En este marco de ideas novedosas, la propuesta del presente trabajo consiste demostrar que el perfilamiento proporcionado por la inteligencia artificial, puede ayudar a los sujetos obligados por la UIF a establecer adecuados perfiles de riesgo de lavado de activos y financiamiento del terrorismo, incluso antes de iniciar la relaci\u00f3n comercial, con lo que no va a ser necesario esperar hasta la concreci\u00f3n de operaciones inusuales y\/o sospechosas para tomar decisiones concretas sobre los clientes y de esta forma el sujeto obligado va a mitigar sus riesgos de LA\/FT r\u00e1pidamente y eficientemente.<\/p>\n\n\n\n A nivel local, los sujetos obligados ante la Unidad de Informaci\u00f3n Financiera (UIF), son la personas f\u00edsicas o jur\u00eddicas nominadas en el art\u00edculo 20 de la Ley N\u00b0 25.246\/2000, los cuales est\u00e1n obligados a reportar operaciones sospechosas[4]<\/sup><\/a> y a cumplir con las normas de la UIF que los alcanzan. La ley 25.246\/2000, es de orden p\u00fablico y se estableci\u00f3 a los efectos de prevenir el lavado de activos y financiamiento del terrorismo (PLA\/FT). La misma erige el principio de determinar el riesgo del cliente, implementando medidas id\u00f3neas para su mitigaci\u00f3n, estableciendo reglas concretas de control continuo (monitoreo) que resulten proporcionales a \u00e9stos, teniendo en consideraci\u00f3n un enfoque basado en riesgo.<\/p>\n\n\n\n Recordemos que el enfoque basado en riesgo fue establecido en la Recomendaci\u00f3n N\u00ba 1 del Grupo de Acci\u00f3n Financiera Internacional (GAFI), e implica que las autoridades competentes, Instituciones Financieras y Actividades y Profesiones No Financieras Designadas (APNFD) sean capaces de asegurar que las medidas dirigidas a prevenir o mitigar el lavado de activos y financiamiento del terrorismo tengan correspondencia con los riesgos identificados, permitiendo tomar decisiones sobre c\u00f3mo asignar sus propios recursos de manera m\u00e1s eficiente. A tal fin los sujetos obligados, deben gestionar sus riesgos. La Gesti\u00f3n de riesgos, consiste en establecer pol\u00edticas, procedimientos, controles de identificaci\u00f3n, evaluaci\u00f3n, mitigaci\u00f3n y monitorizaci\u00f3n, acordes a los riesgos a los que se encuentran expuestos los sujetos obligados. Una adecuada segmentaci\u00f3n de riesgo, garantiza la correcta aplicaci\u00f3n de la debida diligencia que corresponde a cada nivel de riesgo.El sujeto obligado deber\u00e1 realizar una debida diligencia reforzada,para los casos de clientes que presenten riesgo alto, lo cual implica solicitar m\u00e1s documentaci\u00f3n e informaci\u00f3n, llevar un control exhaustivo y actualizar la informaci\u00f3n anualmente. En cambio si el nivel de riesgo asignado fuera medio, el sujeto obligado deber\u00e1 efectuar una debida diligencia, que consiste en requerir cierta informaci\u00f3n y documentaci\u00f3n y actualizar la misma en el t\u00e9rmino de dos a\u00f1os. Por \u00faltimo, si el nivel de riesgo asignado al cliente fuera bajo, el sujeto obligado deber\u00e1 efectuar una debida diligencia simplificada, donde la documentaci\u00f3n a requerir es m\u00ednima y deber\u00e1 actualizar la informaci\u00f3n en el transcurso de cinco a\u00f1os.<\/p>\n\n\n\n Actualmente los sujetos obligados utilizan una matriz de riesgo para realizar ese perfilamiento, que puede ser desde una planilla excel hasta un sistema m\u00e1s sofisticado . Cabe destacar que no muchos tienen la posibilidad de contar con IA en sus desarrollos de compliance.<\/p>\n\n\n\n Sin duda, el perfilamiento proporcionado por la inteligencia artificial, podr\u00e1 ayudar a los sujetos obligados por la UIF a establecer adecuados perfiles de riesgo de lavado de activos. En base a los resultados obtenidos ante el procesamiento de perfiles con la tecnolog\u00eda de IA permitir\u00e1 tomar decisiones objetivas y anticipadas que no requieran esperar hasta la concreci\u00f3n operaciones inusuales y\/o sospechosas. Todo ello, generar\u00e1, una ventaja competitiva para los sujetos obligados, puesto que podr\u00e1n reducir el riesgo reputacional, mejorar la asignaci\u00f3n de recursos y del tiempo, reducir costos, evitar conflictos con las \u00e1reas comerciales, alta gerencia y directorio y obtener perfilamientos m\u00e1s justos y eficientes.<\/p>\n\n\n\n No existe una definici\u00f3n \u00fanica sobre inteligencia artificial. Lasse Rouhiainen[5]<\/sup><\/a> la define como la\u201c\u2026 capacidad de las m\u00e1quinas para usar algoritmos, aprender de los datos y utilizar lo aprendido en la toma de decisiones tal y como lo har\u00eda un ser humano\u2026\u201d. La IA mejora el rendimiento y la productividad de la empresa mediante la automatizaci\u00f3n de procesos o tareas que antes requer\u00edan esfuerzo humano y adem\u00e1s puede dar sentido a los datos a una escala que ning\u00fan humano jam\u00e1s podr\u00eda[6]<\/sup><\/a>. Algunos autores sostienen que al momento de establecer su definici\u00f3n, cobra especial relevancia la diferencia entre los distintos tipos de t\u00e9cnicas de inteligencia artificial. En tal sentido diferenciar \u201ccajas blancas\u201d de \u201ccajas negras\u201d lleva a distinguir entre los problemas que son de Big data y los que son de Small data que ser\u00e1n comentados m\u00e1s adelante.<\/p>\n\n\n\n En cuanto al alcance de la inteligencia artificial, se puede aplicar en casi todas las situaciones. El enfoque que se busca revisar en el presente trabajo, se relaciona m\u00e1s con el campo financiero empresarial y es por ello que resulta interesante citar a Mar\u00eda Del Carmen Sosa Sierra, para transmitir el an\u00e1lisis que ha efectuado donde indica que \u201c\u2026En las \u00faltimas d\u00e9cadas se ha asistido a un cambio profundo en el \u00e1mbito empresarial debido fundamentalmente al avance de la tecnolog\u00eda. La presencia de nuevos paradigmas en el tratamiento de la informaci\u00f3n que generan las empresas denominado \u201cGesti\u00f3n del Conocimiento\u201d… La autora destaca que el procesamiento masivo de esta informaci\u00f3n, una marcada tendencia hacia la globalizaci\u00f3n de los mercados, el riesgo y la incertidumbre en la toma de decisiones empresariales son los ejes fundamentales de esta gesti\u00f3n del conocimiento.<\/p>\n\n\n\n Los sujetos obligados buscan en todo momento mitigar sus riesgos, cuanto antes puedan detectarlos m\u00e1s r\u00e1pidamente podr\u00e1n comenzar a gestionarlos o bien podr\u00e1n deshacerse de los mismos al tomar la decisi\u00f3n de desvincular al cliente en base a estos resultados. Con la IA podr\u00e1n mejorar enormemente sus tiempos en todo el proceso de conocimiento de los clientes (KyC), incluso podr\u00e1 tomar la decisi\u00f3n antes de que se produzca la vinculaci\u00f3n.<\/p>\n\n\n\n Cada vez m\u00e1s, la inteligencia artificial es parte de nuestras vidas, y como ya comentamos, resultar\u00e1 clave para colaborar con las tareas de PLA\/FT que desarrollan los sujetos obligados. Sin embargo la misma presenta un gran desaf\u00edo para afrontar, el cual se conoce como el \u201csesgo algor\u00edtmico\u201d. La IA requiere de algoritmos, cuyos \u201csesgos\u201d pueden generar un efecto no buscado , es decir una mayor desigualdad entre las personas[7]<\/sup><\/a>.<\/p>\n\n\n\n Todos conocemos la frase errar es humano, pero a la hora de ofrecer un servicio, se busca siempre obtener el menor margen de error. Para lograrlo las empresas, los bancos, los sujetos obligados, deben utilizar procesos automatizados, objetivos, que carezcan de juicios y distorsiones causadas por la experiencia de los individuos. El sesgo algor\u00edtmico, ocurre cuando un sistema inform\u00e1tico refleja los valores de los humanos que est\u00e1n implicados en la codificaci\u00f3n y recolecci\u00f3n de datos, lo cual distorsiona la percepci\u00f3n de la realidad. Por eso es tan importante que los modelos implementados de IA carezcan de estos sesgos y as\u00ed poder construir una inteligencia artificial m\u00e1s justa.<\/p>\n\n\n\n Al profundizar sobre el tema surge inevitablemente la pregunta de cu\u00e1les son las razones que llevan a estos sistemas a generar predicciones sesgadas. La IA puede adquirir un sesgo que lleve a presentar un rendimiento dispar en grupos caracterizados por distintos atributos demogr\u00e1ficos, lo que redunda en un comportamiento desigual o discriminatorio, los expertos, entienden que una de las razones detr\u00e1s de este comportamiento son justamente los datos que se usan para entrenarlos y es aqu\u00ed donde la \u00e9tica cobra relevancia. Faliero[8]<\/sup><\/a>, sostiene que \u201c\u2026el procesamiento de datos y los algoritmos sin \u00e9tica solo pueden causar da\u00f1os, cuyo impacto, profusi\u00f3n e imposibilidad f\u00e1ctica de ser revertidos resultan innegables\u2026\u201d<\/em>[\u2026]\u201c\u2026El sesgo algor\u00edtmico contamina el reconocimiento de patrones y las predicciones basadas en datos. Los algoritmos no son entidades as\u00e9pticas, imparciales y disociadas de sus creadores e intereses, como as\u00ed tampoco de los conjuntos de datos con que se los alimenta, por lo que es f\u00e1cil comprender c\u00f3mo la discriminaci\u00f3n atraviesa estas entidades, desde los datos hasta sus resultados\u2026\u201d. <\/em>La autora, entiende que los algoritmos son necesarios pero que generan dependencia y muchas veces causan un efecto de discriminaci\u00f3n, por eso para frenar la expansi\u00f3n de pr\u00e1cticas digitales abusivas es necesario establecer un l\u00edmite jur\u00eddico constituido por la autodeterminaci\u00f3n informativa din\u00e1mica y la anonimizaci\u00f3n de los datos. La autodeterminaci\u00f3n informativa[9]<\/sup><\/a> din\u00e1mica constituye un verdadero derecho personal\u00edsimo, humano y fundamental, que abarca el derecho a la privacidad, a la intimidad, al honor, a la confidencialidad, a la imagen, a la identidad y consiste en el respeto absoluto del derecho del titular a gobernar sus datos respecto del manejo, la consulta, el control, la exposici\u00f3n, el dep\u00f3sito, la disposici\u00f3n y la reutilizaci\u00f3n anal\u00edtica o estad\u00edstica que se haga de ellos, derivados o no de una relaci\u00f3n contractual, cient\u00edfica o profesional, con el fin \u00faltimo de evitar la afectaci\u00f3n funcional del dato. La anonimizaci\u00f3n de los datos asociados a las personas, que consiste en un derecho humano fundamental, personal\u00edsimo, irrenunciable, inalienable del titular del dato, en el ejercicio pleno de su autodeterminaci\u00f3n informativa, sin\u00f3nimo de libertad y consiste en que no se pueda asociar a su persona dato alguno.<\/p>\n\n\n\n Cuando incursionamos en el campo de los datos aparecen conceptos como los de miner\u00eda de datos, big data y machine learning que son importantes para definir un procesamiento correcto.<\/p>\n\n\n\n Resulta entonces necesario conocer la funci\u00f3n del data mining o miner\u00eda de datos, que consiste en utilizar grandes bases de datos para obtener insights sobre comportamientos que se repiten de manera consistente. Esto se logra mediante la elaboraci\u00f3n de algoritmos que consiguen identificar patrones en medio de datos y establecer correlaciones entre ellos.<\/p>\n\n\n\n Por su parte, se requiere tambi\u00e9n entender bien el concepto de big data, porque justamente es un t\u00e9rmino que describe el gran volumen de datos, tanto estructurados como no estructurados, que inundan los negocios cada d\u00eda. Lo que hace que big data sea tan \u00fatil para muchas empresas es el hecho de que proporciona respuestas a muchas preguntas que las empresas ni siquiera sab\u00edan que ten\u00edan, proporcionando un punto de referencia.<\/p>\n\n\n\n El machine learning, conocido en espa\u00f1ol como aprendizaje autom\u00e1tico o aprendizaje de m\u00e1quina, naci\u00f3[10]<\/sup><\/a> como una idea ambiciosa de la IA en la d\u00e9cada de los 60. Para ser m\u00e1s exactos, fue una subdisciplina de la IA, producto de las ciencias de la computaci\u00f3n y las neurociencias. Lo que esta rama pretend\u00eda estudiar era el reconocimiento de patrones (en los procesos de ingenier\u00eda, matem\u00e1ticas, computaci\u00f3n, etc.) y el aprendizaje por parte de las computadoras. En los albores de la IA, los investigadores estaban \u00e1vidos por encontrar una forma en la cual las computadoras pudieran aprender \u00fanicamente bas\u00e1ndose en datos.<\/p>\n\n\n\n Machine learning, abarca una serie de t\u00e9cnicas m\u00e1s o menos sofisticadas, la especie m\u00e1s conocida es el \u201caprendizaje profundo\u201d algunos autores se refieren a \u00e9sta como una clase de t\u00e9cnica basada en un tipo de redes neuronales artificiales, vi\u00e9ndola como la verdadera inteligencia artificial, sin embargo esta posici\u00f3n minoritaria va en contra de todos los organismos internacionales y de la gran mayor\u00eda de autores. Se trata de lo que se conoce como \u201ccaja negra\u201d debido a que no es posible determinar el paso a paso de la l\u00f3gica del procesamiento de datos que sucede en el interior del sistema cuando se trata de redes neuronales. El problema de las cajas negras es que no se puede interpretar,explicar, trazar y auditar el modo en que se procesan los datos y la informaci\u00f3n para conectar lo que ingresa y lo que ingresa del sistema. En contraposici\u00f3n a las cajas negras, encontramos las \u201ccajas blancas\u201d que se basan en un conjunto de t\u00e9cnicas que se utilizan para obtener predicciones y en este caso si son auditables transables explicables que interpretables por eso es que son tan \u00fatiles. En el libro Cibercrimen III[11]<\/sup><\/a>, los autores se\u00f1alan que la aplicaci\u00f3n masiva de sistemas de caja blanca no predictivos conllevar\u00eda a una aut\u00e9ntica transformaci\u00f3n de los procesos judiciales. As\u00ed el paradigma de la inteligencia artificial podr\u00eda solucionar el problema jur\u00eddico de las lagunas del derecho . Indican que con estos sistemas se podr\u00eda lograr un formato \u00e1gil y hol\u00edstico a la hora de articular datos, informaci\u00f3n, reglas y decisiones.<\/p>\n\n\n\n La recopilaci\u00f3n de grandes cantidades de datos y la b\u00fasqueda de tendencias dentro de los datos permiten que las empresas se muevan mucho m\u00e1s r\u00e1pidamente, sin problemas y de manera m\u00e1s eficiente. Tambi\u00e9n les permite eliminar las \u00e1reas problem\u00e1ticas antes de que los problemas acaben con sus beneficios o su reputaci\u00f3n. La cantidad de datos a procesar no es lo importante, lo que importa es lo que las organizaciones hacen con los datos.<\/p>\n\n\n\n En el \u00e1mbito de la prevenci\u00f3n del lavado de activos y financiamiento del terrorismo las bases de datos y su correcta explotaci\u00f3n son muy necesarios para determinar por ejemplo si un cliente es o no una persona pol\u00edticamente expuesta (PEP) o si es un terrorista o si est\u00e1 procesado o cuenta con sentencia relacionada con delitos precedentes al lavado de activos ( narcotr\u00e1fico, evasi\u00f3n fiscal , trata, corrupci\u00f3n, prostituci\u00f3n y pornograf\u00eda infantil, etc) o bien se encuentra sancionado por Oficina de Control de Bienes Extranjeros( OFAC). Actualmente los sujetos obligados realizan controles autom\u00e1ticos, con proveedores que ofrecen buenos servicios, pero en muchos casos no utilizan la tecnolog\u00eda de la IA por un tema de costos y de implementaci\u00f3n. Seguramente a futuro se van a ir alineando hacia ese tipo de soluciones tecnol\u00f3gicas de avanzada.<\/p>\n\n\n\n Con la implementaci\u00f3n de la tecnolog\u00eda de IA se va a dar lugar a planteos de discriminaci\u00f3n, por parte de clientes rechazados.<\/p>\n\n\n\n \u201cLa inteligencia artificial perfecciona y optimiza el perfilamiento a trav\u00e9s del uso de algoritmos, al mismo tiempo que promete m\u00e1s igualdad en sus procesos, por lo que sus seguidores y evangelizadores t\u00e9cnicos, comerciales y jur\u00eddicos sostienen de manera falaz que nos llevar\u00e1 a una mayor igualdad. Lamentablemente, a la \u00fanica igualdad insensible a la que nos est\u00e1 llevando es la igualdad en la discriminaci\u00f3n algor\u00edtmica. Esta se desarrolla como consecuencia de la presencia de un sesgo algor\u00edtmico por el cual se serializan y estandarizan los defectos e impactos jur\u00eddicos del perfilamiento, lo que vulnera sistem\u00e1ticamente, a una escala masiva no predicha, la autodeterminaci\u00f3n informativa de las personas titulares de los datos, individuos y ciudadanos.\u201d[12]<\/strong><\/sup><\/a><\/em><\/p>\n\n\n\n Los sistemas como los de \u201ccaja blanca\u201d prometen transparencia total, pero en definitiva no la alcanzan, ya que solo buscan niveles tolerables de transparencia en los cuales no todo lo que se muestra es verdaderamente \u00fatil.<\/p>\n\n\n\n A fin de abordar el tema de la discriminaci\u00f3n que se genera por el uso de la IA y tratar de darle una soluci\u00f3n, es importante pensar en la predicci\u00f3n individual[13]<\/sup><\/a> porque precisamente se vincula con el principio de igualdad en el sentido de que no se puede distinguir a una persona y restringir su libertad a partir de igualarla con otros grupo. La igualdad juega al rev\u00e9s, se necesita distinguir a la persona respecto de un grupo de personas para no discriminarla. En relaci\u00f3n al lavado de activos y financiamiento del terrorismo, cuando a trav\u00e9s de la IA se obtenga un perfil de altisimo riesgo que lleve a la decisi\u00f3n de no aceptar al cliente o de desvincularlo, seguramente se va a generar tambi\u00e9n un problema de discriminaci\u00f3n que pude llevar al cliente a inicar un juicio contra el sujeto obligado. El sujeto obligado deber\u00e1 haber previsto en sus pol\u00edticas de aceptaci\u00f3n contempladas en el manual de PLA\/FT este tipo de casos, de modo tal que puedan ser usadas como prueba de que la entidad no pretend\u00eda discriminar al cliente afectado y mucho menos causarle un da\u00f1o.<\/p>\n\n\n\n Los sujetos obligados se encuentran limitados por las normas de orden p\u00fablico que recaen sobre los mismos y que los obligan a realizar determinados controles en materia de prevenci\u00f3n de lavado de activos y financiamiento del terrorismo tales como el KyC y el perfilamiento de PLA\/FT. Como lo hemos comentado anteriormente es la ley 25246 la que determina la necesidad de establecer un perfil para cada cliente. Asimismo la ley de habeas data \/ de protecci\u00f3n de datos personales ( 25.326) y las buenas pr\u00e1cticas internacionales exigen a los sujetos obligados manejar con prudencia los datos a requerir, proporcionando confidencialidad y seguridad en la obtenci\u00f3n de los mismos .<\/p>\n\n\n\n Incorporar la IA para efectuar un perfilamiento de los clientes en materia de LA\/FT va a ser algo muy beneficioso para los sujetos obligados que buscan en todo momento mitigar sus riesgos, cuanto antes puedan detectarlos m\u00e1s r\u00e1pidamente podr\u00e1n comenzar a gestionarlos o bien podr\u00e1n deshacerse de los mismos al tomar la decisi\u00f3n de desvincular al cliente en base a estos resultados. No obstante ello, las problem\u00e1ticas planteadas por el sesgo algor\u00edtmico y el procesamiento de datos pueden dar lugar a que el cliente se sienta discriminado y por ende inicie acciones legales al respecto. Como propuesta de trabajo, a continuaci\u00f3n proporcionaremos algunas medidas que entendemos reducir\u00e1n el impacto y acotar\u00e1n los riesgos para el sujeto obligado que decida utilizar la tecnolog\u00eda de IA para establecer su perfilamiento de PLA\/FT.<\/p>\n\n\n\n Las entidades financieras y los sectores fintech, est\u00e1n utilizando la inteligencia artificial, para mejorar sus procesos comerciales. Lleg\u00f3 el momento que tambi\u00e9n den el paso para utilizar la IA para el an\u00e1lisis de riesgos,y entonces realizar mejor la debida diligencia conociendo mejor a sus clientes. Sin embargo resulta importante que los sujetos obligados se manejen \u00e9ticamente, respetando los derechos que poseen los clientes sobre todo en lo que se relaciona con la autodeterminaci\u00f3n inform\u00e1tica din\u00e1mica y la anonimizaci\u00f3n de datos. Los sujetos obligados deben ser conscientes de los sesgos algor\u00edtmicos y por tanto trabajar con mucha disciplina y dedicaci\u00f3n a fin de que los aprendizajes de IA no presenten dichos sesgos.<\/p>\n\n\n\n Las cajas blancas de IA, son la mejor soluci\u00f3n para garantizar transparencia, aunque no sean perfectas.<\/p>\n\n\n\n Los clientes deben recibir informaci\u00f3n suficiente de antemano, (al momento de la vinculaci\u00f3n) para conocer los procesos a los que van a ser sometidos y eventualmente que el resultado podr\u00eda ser el de \u201c no aceptado\u201d.<\/p>\n\n\n\n Por \u00faltimo se\u00f1alar que una estupenda soluci\u00f3n a los errores\/sesgos que puedan detectarse dentro de los algoritmos, es el aprendizaje supervisado. En el aprendizaje supervisado los aprendices son algoritmos y sus entrenadores son los programadores que utilizan lenguaje de programaci\u00f3n y t\u00e9cnicas inform\u00e1ticas y en los \u00faltimos a\u00f1os se ha comprobado que este tipo de t\u00e9cnicas pueden ser muy apropiadas para reducir los sesgos y errores.<\/p>\n\n\n\n [1]<\/a> Abogada (UBA); Master en Econom\u00eda y Cs. Pol\u00edticas (ESEADE); Docente en Programa Integral de Formaci\u00f3n Bancaria (UCA).<\/p>\n\n\n\n [2]<\/a> https:\/\/www.oracle.com\/mx\/artificial-intelligence\/what-is-ai\/<\/a><\/p>\n\n\n\n Algunos ejemplos son:Los chatbots utilizan la IA para comprender m\u00e1s r\u00e1pido los problemas de los clientes y proporcionar respuestas m\u00e1s eficientes.Los asistentes inteligentes utilizan la IA para analizar informaci\u00f3n cr\u00edtica proveniente de grandes conjuntos de datos de texto libre para mejorar la programaci\u00f3n. Los motores de recomendaci\u00f3n pueden proporcionar recomendaciones automatizadas para programas de TV seg\u00fan los h\u00e1bitos de visualizaci\u00f3n de los usuarios.<\/p>\n\n\n\n [3]<\/a> https:\/\/es.metamap.com\/<\/a> https:\/\/servicios.nosis.com\/compliance<\/a><\/p>\n\n\n\n [4]<\/a> Ver Resoluciones UIF 30 E\/2017, 21\/2018,28\/2018 y 76\/2019 art\u00edculo 1: Operaciones Sospechosas: aquellas operaciones tentadas o realizadas que ocasionan sospecha de LA\/FT, o que habi\u00e9ndose identificado previamente como inusuales, luego del an\u00e1lisis y evaluaci\u00f3n realizados por el Sujeto Obligado, no permitan justificar la inusualidad.<\/p>\n\n\n\n [5]<\/a> Lasse Rouhiainen. \u201c Inteligencia Artificial.101 cosas que debes saber hoy sobre nuestro futuro\u201d Editorial Alienta https:\/\/drive.google.com\/file\/d\/1hF0osLMi77UWIEzPPnpDwagdpQM2elG2\/view<\/a><\/p>\n\n\n\n [6]<\/a> file:\/\/\/Users\/admin2\/Desktop\/Trabajo%20final%20\/%C2%BFQue%CC%81%20es%20la%20inteligencia%20artificial%20(IA)_%20_%20Oracle%20Me%CC%81xico.html<\/a><\/p>\n\n\n\n [7]<\/a> Ver Ferrante Enzo. Inteligencia artificial y sesgos algor\u00edtmicos. https:\/\/nuso.org\/articulo\/inteligencia-artificial-y-sesgos-algoritmicos\/<\/a><\/p>\n\n\n\n [8]<\/a> Limitar la dependencia algor\u00edtmica : Faliero Johanna Caterina, 2021 \u201cImpactos de la inteligencia artificial y sesgos algor\u00edtmicos\u201d https:\/\/static.nuso.org\/media\/articles\/downloads\/9.TC_Faliero_294.pdf<\/a>.<\/p>\n\n\n\n [9]<\/a> surge como respuesta a la posibilidad de un tratamiento masivo de datos. Fue construido y elaborado a partir de la sentencia del Tribunal Constitucional Federal alem\u00e1n de 15 de diciembre de 1983.<\/p>\n\n\n\n [10]<\/a> https:\/\/platzi.com\/contributions\/que-es-machine-learning-guia-completa-para-principiantes\/?gclid=CjwKCAjw5NqVBhAjEiwAeCa97a1iyCQkF7iTGGSsWHPAlH_eV0Vs7Y7RrwP3uRk2bGVnH68-i01wUBoCmf4QAvD_BwE&gclsrc=aw.ds<\/a><\/p>\n\n\n\n [11]<\/a> Ver Corval\u00e1n Juan y Dupuy Daniela. Cibercrimen III-2020. Inteligencia artificial automatizaci\u00f3n, algoritmos y predicci\u00f3nes en el derecho penal y procesal penal.P\u00e1<\/p>\n\n\n\n [12]<\/a> Limitar la dependencia algor\u00edtmica : Faliero Johanna Caterina, 2021 \u201cImpactos de la inteligencia artificial y sesgos algor\u00edtmicos\u201d https:\/\/static.nuso.org\/media\/articles\/downloads\/9.TC_Faliero_294.pdf<\/a>. P\u00e1g 124 Johanna Caterina Faliero<\/p>\n\n\n\n<\/a>Art\u00edculos<\/h6>\n\n\n\n
<\/a>\u00bfEl perfilamiento proporcionado por la inteligencia artificial puede ayudar a los sujetos obligados a establecer adecuados perfiles de riesgo de LA\/FT?<\/h1>\n\n\n\n
Introducci\u00f3n<\/h2>\n\n\n\n
Exigencia del perfil de riesgo de LA\/FT<\/h2>\n\n\n\n
Definici\u00f3n y alcance de la Inteligencia Artificial (IA)<\/h2>\n\n\n\n
El sesgo algor\u00edtmico<\/h2>\n\n\n\n
El Procesamiento de datos<\/h2>\n\n\n\n
No aceptaci\u00f3n. Discriminaci\u00f3n<\/h2>\n\n\n\n
Incorporar la IA para el perfilamiento de clientes en PLA\/FT<\/h2>\n\n\n\n
Medidas de implementaci\u00f3n<\/h2>\n\n\n\n
\n
Conclusio\u0301n y reflexiones finales<\/h2>\n\n\n\n