Sistema de machine learning para detectar transacciones sospechosas de lavado de activos. Caso de estudio "IBM transactions for anti money laundering (AML)"

Abstract

El lavado de activos es el proceso mediante el cual organizaciones criminales otorgan apariencia legítima a recursos provenientes de actividades ilícitas como el narcotráfico, la trata de personas y la extorsión. Esta práctica es crítica para financiar nuevas actividades ilegales y representa una amenaza significativa para la estabilidad económica y la confianza en los sistemas financieros. Por ello, las instituciones están obligadas a implementar sistemas de prevención y detección de lavado de activos (AML), basados principalmente en procesos de Know Your Customer (KYC) y Know Your Transaction (KYT).

Tradicionalmente, los sistemas AML se han sustentado en reglas predefinidas. Aunque constituyen el estándar, presentan limitaciones importantes: son rígidos ante nuevas modalidades de lavado y generan altos índices de falsos positivos, lo que incrementa los costos operativos. Adicionalmente, la falta de datos representativos dificulta la aplicación de técnicas más sofisticadas.

El presente trabajo tuvo como objetivo desarrollar un modelo de aprendizaje automático para la detección de transacciones sospechosas, empleando como caso de estudio el conjunto de datos sintéticos IBM Transactions for Anti-Money Laundering (AML). Se identificaron patrones frecuentes de lavado (FAN, CYCLE y RANDOM), se seleccionaron técnicas de extracción de características, y se implementaron dos modelos de clasificación, uno de los cuales superó al sistema basado en reglas en la métrica de Recall.

Los resultados evidencian que el aprendizaje automático puede complementar a los sistemas tradicionales mejorando la eficiencia. Se recomienda ampliar las pruebas con mayores volúmenes de datos y explorar técnicas como el aprendizaje por refuerzo y escenarios en blockchain para robustecer la detección de actividades ilícitas (Texto tomado de la fuente).

Money laundering is the process by which criminal organizations give a legitimate appearance to resources derived from illicit activities such as drug trafficking, human trafficking, and extortion. This practice is critical for financing new illegal activities and represents a significant threat to economic stability and trust in financial systems. For this reason, institutions are required to implement Anti-Money Laundering (AML) systems, mainly based on Know Your Customer (KYC) and Know Your Transaction (KYT) processes. Traditionally, AML systems have relied on predefined rules. Although they are the industry standard, they present important limitations: they are rigid when facing new laundering strategies and generate high rates of false positives, which increase operational costs. In addition, the lack of representative datasets hinders the application of more sophisticated techniques. The objective of this work was to develop a machine learning model for the detection of money laundering suspicious transactions, using the synthetic dataset IBM Transactions for Anti-Money Laundering (AML) as a case study. Frequent laundering patterns (FAN, CYCLE, and RANDOM) were identified, feature extraction techniques were selected, and two classification models were implemented, one of which outperformed the rule-based system in terms of the Recall metric. The results show that machine learning can complement traditional systems improving efficiency. It is recommended to expand experiments with larger volumes of data and to explore approaches such as reinforcement learning and blockchain-based scenarios to strengthen the detection of illicit activities.