Usamos IA para luchar contra el fraude
Las criptomonedas, como el Bitcoin, han estado en muchísimos titulares en los últimos años. Estos tokens digitales comparten algunas de las cualidades de la moneda sólida y se pueden comprar, vender y gastar. De hecho, se ha formado todo un mercado en torno al comercio de monedas digitales, donde inversionistas y especuladores llevan un registro cercano de todas las fluctuaciones.
En el centro de esto se encuentra Coinbase, con sede en San Francisco, una billetera digital y plataforma de intercambio en la que más de 20 millones de comerciantes y consumidores han comercializado más de 150 mil millones de dólares en criptomonedas desde su fundación en 2012.
Al igual que todas las empresas de servicios financieros, Coinbase debe proporcionar una experiencia sin inconvenientes para los clientes y a la vez tomar medidas para asegurar el entorno en el que opera. Para esto, la empresa depende de la inteligencia artificial (IA) y utiliza las herramientas de machine learning de Amazon Web Services (AWS).
“La IA ha estado en el ADN de la empresa desde el comienzo”, dice Soups Ranjan, director de ciencia de datos en Coinbase. “Uno de los mayores factores de riesgo que debe comprender bien un sistema intercambio de criptomoneda es el fraude, y el machine learning forma el eje central de nuestro sistema antifraude”.
Con Amazon SageMaker, una herramienta para crear, capacitar e implementar fácilmente modelos de machine learning, los ingenieros de Coinbase desarrollaron un sistema impulsado por machine learning que reconoce faltas de coincidencia y anomalías en fuentes de identificación de usuarios, lo que les permite tomar medidas de inmediato contra potenciales fuentes de fraude.
“La autenticación de identificaciones en línea en la actualidad es un problema muy grave”, señala Ranjan. “Cuando uno entra a un bar y el guardia mira la licencia de conducir, esa persona puede usar una luz con cierta frecuencia y buscar mensajes ocultos como hologramas”.
Eso no se puede hacer en línea, por lo que Coinbase usa SageMaker para desarrollar algoritmos de machine learning para el análisis de imágenes a fin de vencer a los estafadores. Por ejemplo, un algoritmo de similitud facial automáticamente extrae los rostros de las identificaciones que se cargan y luego compara determinado rostro con todos los de las demás identificaciones ya cargadas. Los estafadores suelen usar la misma foto para varias identificaciones, ya que de otro modo deberían tener que editar el rostro en varios lugares de la identificación. Con este algoritmo de similitud de rostros, la empresa puede detectar rápidamente una falsificación.
“Machine learning nos ayudó a equilibrar los riesgos de Coinbase, con cierta flexibilidad para los clientes cuando queremos que tengan la mejor experiencia posible”.
Soups Ranjan
Director de Ciencia de datos
Coinbase
“Machine learning nos ayudó a equilibrar los riesgos de Coinbase, con cierta flexibilidad para los clientes cuando queremos que tengan la mejor experiencia posible”.
Soups Ranjan
Director de Ciencia de datos
Coinbase
“La realidad es que es fácil para los clientes cambiar de un servicio de criptomoneda a otro”, dice Ranjan. “Machine learning nos ayudó a equilibrar los riesgos de Coinbase, con cierta flexibilidad para los clientes cuando queremos que tengan la mejor experiencia posible”.
La información obtenida al crear algoritmos antifraude también permite que Coinbase adapte las experiencias en función de los tipos de usuarios; un modo simple e intuitivo de segmentar a los inversores de nivel minorista que compran y conservan, en comparación con los usuarios profesionales sofisticados que comercializan mucho. En un ejercicio reciente de segmentación del cliente, un analista de Coinbase pudo simplemente escribir un algoritmo de clúster en una computadora portátil y luego ejecutarlo en SageMaker para analizar cómo los clientes usan criptomonedas, segmentando a aquellos que estaban exclusivamente interesados en comercializar de aquellos que querían invertir para el largo plazo.
Sin embargo, la gestión de riesgos es solo un lado de la historia. Dadas sus raíces digitales, no nos sorprende que la criptomoneda, como los mercados financieros más tradicionales, vayan de la mano con una tremenda cantidad de datos. “Nuestro almacenamiento de datos reúne datos de varios microservicios, incluidos datos de usuario y blockchain. Son cientos de terabytes en total”, dice Ranjan. “Ese número se ha duplicado desde el comienzo del año”.
Sin embargo, dado que Coinbase opera en un entorno altamente regulado, la empresa toma medidas adicionales para asegurarse de que los datos de los clientes estén protegidos; incluso de sus propios ingenieros y científicos de datos. Cualquier código que se ejecute en servidores de la producción de Coinbase ha sido revisado por múltiples grupos de personas antes de entrar a producción. “Uno de nuestros principios es que somos una empresa que primero se ocupa de la seguridad ya que guardamos criptomonedas en nombre de nuestros clientes”, dice Ranjan.
El acceso restringido a los datos en un entorno altamente seguro dificulta muchísimo el machine learning. Coinbase supera este desafío al permitir que los ingenieros de machine learning accedan a registros de datos únicamente a través de un código que ha sido revisado minuciosamente y confirmado en Amazon Elastic Container Registry. Los ingenieros de machine learning en realidad no pueden registrarse en los servidores de producción y ejecutar un código que no se ha revisado.
Al final del día, las criptomonedas digitales dependen de que se confíe en su existencia. Y las empresas como Coinbase confían en que AWS creará y mantendrá esa confianza trabajando constantemente por mantenerse actualizado sobre los riesgos.