A continuación, se incluyen algunos casos de uso comunes de OCR en varios sectores:

Banca

El sector bancario utiliza el OCR para procesar y verificar el papeleo de documentos de préstamo, cheques de depósito y otras transacciones financieras. Esta verificación mejoró la prevención de fraude y mejoró la seguridad de las transacciones. Por ejemplo, BlueVine es una empresa de tecnología financiera que brinda financiamiento a pequeñas y medianas empresas. Utilizó Amazon Textract, un servicio de OCR basado en la nube, para desarrollar un producto para que las pequeñas empresas en EE. UU. accedan rápidamente a los préstamos del Programa de protección de cheques de pago (PPP) como parte del paquete de estímulo de ayuda de COVID-19. Amazon Textract procesó y analizó de forma automática decenas de miles de formularios PPP por día para que BlueVine pudiera ayudar a miles de empresas a obtener fondos y salvó más de 400 000 empleos en el proceso.

Los robo advisors hacen más fácil crear carteras de inversiones personalizadas para cada persona y adaptadas a sus posibilidades. La creación y el mantenimiento de las carteras se realiza de manera totalmente automatizada.

El gestor automatizado lo hace todo:

• Elabora tu plan según tu situación y objetivos

• Invierte por ti con estrategias de expertos inversores

• Optimiza tu cartera de forma continua

• Realiza cambios cuando es necesario

• Gestiona tus aportaciones adicionales

https://www.inbestme.com/es/es/nosotros/robo-advisor/

NetApp AI for Credit: Es una solución que utiliza el aprendizaje automático y la visión computarizada para evaluar el riesgo crediticio de los clientes potenciales o actuales, basándose en sus historiales financieros, comportamientos y características personales.

NetApp AI for Customer Service: Es una solución que utiliza el procesamiento del lenguaje natural y el aprendizaje automático para ofrecer recomendaciones personalizadas sobre productos o servicios financieros que se ajusten a las necesidades y preferencias del cliente.

La detección fraudes en tiempo real es uno de los principales retos para instituciones financieras y  pueden manifestarse de diversas formas como:

• Falsedad en las declaraciones al momento de solicitar un crédito

• Solicitud de un crédito lejos del domicilio declarado por el interesado

• Múltiples consultas recientes con diversos otorgantes utilizando datos diferentes (empleo, domicilio, celular, etcétera)

• Solicitud de un monto mayor de crédito cuando se tienen líneas de crédito bancarias disponibles

• El usuario tiene varias tarjetas de crédito sin incumplimiento de pagos, pero carecen  de movimientos recientes o registran saldo cero

• El cliente cuenta con un historial bancario y lo están consultado diversas instituciones financieras.

Con una base de datos robusta y algoritmos se puede reducir el número de fraudes que pueda experimentar una institución, de tal manera que se protege la misma institución y al cliente.

Las nuevas empresas de RegTech dependen en gran medida de la inteligencia artificial para facilitar el cumplimiento normativo en diferentes áreas y evitar sanciones que podrían arruinar la reputación de la entidad financiera. De hecho, las soluciones de inteligencia artificial son herramientas de gran valor que se utilizan para monitorizar rápidamente transacciones que podrían ayudar a detectar posibles movimientos sospechosos de antemano. Para ello, los bancos están destinando grandes cantidades de recursos a campañas de prevención de blanqueo de capitales y financiación del terrorismo. Cabe destacar que la inteligencia artificial supera en muchos aspectos a los sistemas tradicionales de detección de fraude los cuales, son incapaces de seguir el ritmo de desarrollo de nuevas estrategias de fraude. En la actualidad, las empresas líderes del sector están implementando herramientas de machine learning para encontrar patrones de consumo y reducir significativamente las tasas de fraude.

De igual modo, en un esfuerzo por mejorar la integridad del mercado penalizando la información privilegiada o la divulgación ilegal de información y el abuso de mercado, la Unión Europea creó la Market Abuse Regulation (MAR) y la Markets In Financial Instruments Directive II (MiFID II), un marco legislativo para regular los mercados financieros y mejorar la protección de los inversores. En este sentido, el uso de inteligencia artificial es un pilar fundamental en cualquiera de los dos contextos para responder a las exigencias de ambas normativas.

Carmen Desireé Lugo

Alaide García

Ricardo Osuna

Detección y prevención de fraudes.

La detección y prevención de fraudes en el contexto financiero y empresarial se refiere a un conjunto de procesos y tecnologías diseñadas para proteger a las organizaciones y a sus clientes contra actividades fraudulentas.

Debido a los avances tecnológicos y herramientas más sofisticadas por parte de los defraudadores, es necesario recurrir a herramientas cada vez más robustas e inteligentes para poder minimizar las pérdidas económicas en tiempo real.

Ejemplo: Guardian Fraud Score. Es una herramienta que se utiliza para evaluar el riesgo de fraude en transacciones. Funciona asignando a cada transacción un puntaje de fraudulencia basado en ciertos indicadores y patrones de comportamiento.

El funcionamiento del Guardian Fraud Score se basa en un algoritmo de machine learning que utiliza técnicas de aprendizaje supervisado. Esto significa que el modelo se entrena utilizando un conjunto de datos etiquetados, es decir, transacciones previamente clasificadas como fraudulentas o no fraudulentas.

Durante el entrenamiento, el modelo analiza diferentes características de las transacciones, como el monto, la ubicación, la hora, el historial del cliente, entre otros. Utilizando estos datos, el modelo busca patrones y correlaciones que permitan identificar transacciones fraudulentas.

Una vez entrenado, el modelo es capaz de evaluar automáticamente nuevas transacciones y asignarles un puntaje de fraudulencia. Cuanto más alto sea el puntaje, mayor es la probabilidad de que la transacción sea fraudulenta. Esto permite a los bancos y entidades financieras tomar decisiones rápidas y precisas para prevenir y detectar el fraude.

Es importante destacar que el Guardian Fraud Score debe ser utilizado en conjunto con otras técnicas y herramientas de detección de fraudes, ya que ningún algoritmo es completamente infalible. Además, el modelo debe ser actualizado y adaptado regularmente para garantizar su efectividad frente a nuevas técnicas de fraude que puedan surgir.