Últimamente se ha discutido mucho sobre los posibles usos de la inteligencia artificial en el cumplimiento de medidas contra el soborno.
La mayoría de los comentaristas reconocen que la IA (y su primo más sencillo, el aprendizaje automático) no eliminará las prácticas actuales por completo. Pero mientras se reconoce la importancia de estas tecnologías, su implementación práctica a menudo recibe solo una atención superficial.
AI está lleno de potencial para mejorar la eficiencia y la eficacia de los programas de diligencia debida en los próximos años. Lo que sigue son algunas sugerencias específicas de tecnologías maduras que pueden mejorar las capacidades de un equipo hoy.
Para comprender mejor este potencial, debemos comprender los límites de la tecnología. Los sistemas artificialmente inteligentes como el AlphaGo de DeepMind y el AlphaZero ya han superado a los humanos en juegos complejos como Chess and Go. Pero jugar juegos es todo lo que pueden hacer. En ese sentido, se les puede llamar estrechos. Una IA con aplicaciones más amplias que pueden comprometer la complejidad total de la inteligencia humana permanece fuera de nuestro alcance.
El cumplimiento de la ley contra el soborno no es limitado. Aunque todavía no podemos utilizar las computadoras para replicar todo el alcance del trabajo de un equipo de cumplimiento, ciertas áreas de la investigación de aprendizaje automático / IA han madurado hasta el punto de ofrecer una asistencia sustancial.
El primero de ellos es el reconocimiento óptico de caracteres (OCR), un conjunto de tecnologías desarrolladas en conexión con la investigación en visión artificial. OCR puede convertir una imagen de un documento en texto codificado por máquina y con capacidad de búsqueda. Las implementaciones empresariales de OCR son ahora un lugar común, y es probable que los lectores ya tengan esta tecnología disponible en sus oficinas.
El poder de la OCR se hace evidente en la siguiente área de investigación: el procesamiento del lenguaje natural (PNL). Este término abarca una amplia gama de capacidades, incluida la comparación de documentos, la traducción automática y el reconocimiento de la entidad nombrada. Al automatizar el proceso de extracción de información significativa de una gran cantidad de documentos en papel, OCR y NLP pueden ayudar a pasar la revisión manual que requiere mucho tiempo para centrarse en temas más importantes.
Los datos obtenidos de la PNL pueden, en combinación con otras fuentes de información, abrir una nueva vía para el análisis en forma de evaluación cuantitativa del riesgo. En general, este proceso implica el uso de datos sobre una persona, empresa u organización para evaluar su nivel de riesgo específico.
Por ejemplo, un prestamista puede usar el puntaje de crédito, el historial de préstamos y la información salarial de una persona para evaluar el riesgo de incumplimiento, ya sea en forma binaria utilizando técnicas de clasificación de aprendizaje automático (por ejemplo, “devolverá el préstamo” frente a “no reembolsará el préstamo ”) Oa lo largo de una escala numérica utilizando métodos basados en regresión (por ejemplo,“ 75 por ciento de probabilidad de pagar el préstamo ”).
En principio, los algoritmos de aprendizaje automático pueden aplicarse a información sobre agentes, intermediarios y proveedores externos para evaluar el grado asociado de riesgo de corrupción. Los resultados de estas evaluaciones automatizadas se podrían utilizar junto con la revisión humana para aumentar un programa de cumplimiento con un punto de vista más macroscópico.
Las herramientas para llevar a cabo este tipo de análisis automatizado están bien desarrolladas, pero su aplicación a la diligencia debida anticorrupción está en su infancia en el mejor de los casos. La mayoría de los productos en esta área que actualmente se comercializan como soluciones de IA son en realidad una combinación de OCR y NLP, que agregan valor y ayudan a la revisión, pero no generan una visión inteligente inteligente de los riesgos aplicables.
Hay obstáculos importantes que superar antes de que el aprendizaje automático pueda ofrecer este tipo de información sobre el riesgo de soborno. Los datos limitados son uno. El aprendizaje automático normalmente requiere un conjunto considerable de ejemplos de lo que se está modelando para que sus algoritmos se entrenen. Pero mientras los casos de soborno pueden o no ser tan comunes como los incumplimientos de los préstamos, por lo general no se convierten en una cuestión de registro, lo que dificulta que una máquina identifique las características que pueden compartir.
Otro tema se refiere a la interpretabilidad y la equidad. La IA del juego de mesa se ha vuelto tan poderosa, es un desafío incluso descubrir cómogana. Eso está bien para los juegos, pero ¿qué pasa cuando afecta vidas y medios de vida humanos?
La condena penal es un área donde el uso de la tecnología de IA ha sido objeto de graves críticas por su posible inclusión de sesgos sistémicos, ocultos bajo una apariencia de objetividad algorítmica. Cualquier aplicación del aprendizaje automático a la evaluación de riesgos contra el soborno deberá ser consciente de posibilidades similares.
Debemos dejar que este tipo de peligro sirva como un recordatorio de que, si bien el aprendizaje automático en su estado actual es adecuado para problemas discretos que pueden definirse de manera restringida, no es una solución completa para el amplio espectro de males sociales. Sin embargo, al hacer que grandes cantidades de información sean más manejables e inteligibles, ya puede ayudar a los equipos de cumplimiento a involucrar mejor a sus propias facultades críticas en un proceso de toma de decisiones más informado.
ALD/FCPA
