🤖 AI

An AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts

Este artículo presenta un agente de seguridad de IA multivectorial para la banca que fusiona flujos de datos de transacciones y sesiones utilizando una arquitectura híbrida de modelos de secuencia LSTM, monitores estadísticos y redes de grafos para detectar simultáneamente el fraude basado en firmas y los delitos financieros conductuales, logrando puntuaciones F1 significativamente más altas que las líneas base basadas en reglas o de un solo modelo, al tiempo que proporciona respuestas automatizadas de baja latencia y soporte para analistas.

Autores originales: Joseph Walusimbi, Joshua Benjamin Ssentongo

Publicado 2026-06-17

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Joseph Walusimbi, Joshua Benjamin Ssentongo

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un banco como una ciudad enorme y bulliciosa. Cada día, millones de personas (cuentas) mueven dinero, inician sesión y realizan compras. Normalmente, esto está bien. Pero a veces, los criminales intentan colarse, robar identidades o lavar dinero sucio.

Este documento presenta un nuevo "Guardia de Seguridad de IA" diseñado para proteger tanto a las personas comunes (minoristas) como a las grandes empresas (corporativas) en esta ciudad. Los autores, Joseph Walusimbi y Joshua Benjamin Ssentongo, de la Universidad de Soroti en Uganda, construyeron este guardia porque las formas antiguas de atrapar criminales ya no funcionan lo suficientemente bien.

Así es como el documento explica el problema y su solución, utilizando analogías sencillas:

1. El Problema: Dos Tipos Diferentes de Criminales

El documento dice que los bancos enfrentan dos tipos de amenazas muy diferentes, y los antiguos sistemas de seguridad (llamados "Motores de Reglas") son como un portero que solo busca una cosa específica.

El "Portero" (Reglas Antiguas): Este guardia busca señales de alerta obvias. Si alguien intenta retirar $10,000 en 5 minutos, o usa una tarjeta en dos países diferentes al mismo tiempo, el guardia lo detiene. Esto funciona de maravilla para ataques de fuerza bruta (como intentar adivinar una contraseña) o clonación de cajeros automáticos (ATM).
El "Camaleón" (Nuevas Amenazas): Luego están los criminales astutos.
- BEC (Compromiso de Correo Electrónico Empresarial): Imagina que un criminal hackea el correo electrónico de un CEO y envía un correo de apariencia normal al contador diciendo: "Por favor, envíe la nómina a esta nueva cuenta bancaria". El monto es normal, el tiempo es normal y la persona parece real. El antiguo "Portero" no ve nada malo y deja ir el dinero.
- Lavado de Dinero: Imagina a alguien dividiendo una gran pila de dinero sucio en montones pequeños que parecen legales para ocultar el origen. Ninguna transacción individual parece sospechosa, pero el patrón de muchas transacciones pequeñas es el crimen.

El documento argumenta que el antiguo "Portero" es ciego ante estos "Camaleones" porque no rompen ninguna regla individual; simplemente parecen actividad normal.

2. La Solución: Un "Súper-Guardia" de Tres Partes

Los autores construyeron un nuevo agente de IA que actúa como un equipo de tres detectives trabajando juntos en dos "cámaras de vigilancia" diferentes (flujos de datos).

Las Dos Cámaras:

La Cámara de Transacciones: Observa el movimiento del dinero (pasar tarjetas, transferencias bancarias).
La Cámara de Sesión: Observa a las personas iniciando sesión, cambiando contraseñas o agregando nuevos beneficiarios.

Los Tres Detectives (La Arquitectura de Fusión):
Cada vez que ocurre un evento, estos tres detectives intervienen para decidir si es un crimen:

Detective 1: El Aprendiz de Patrones (LSTM): Este detective recuerda tu historial. "Oye, el Sr. Smith suele comprar café a las 8 AM en Kampala. ¿Por qué de repente estás comprando un bote a las 3 AM en Londres?". Aprende tus hábitos personales con el tiempo.
Detective 2: El Velocímetro (Monitor de Umbral): Este detective observa la velocidad y el volumen. "¡Vaya, eso son 50 transacciones en un minuto!" o "¡Ese es un gran monto de efectivo depositado justo antes del límite!". Captura los estallidos obvios.
Detective 3: El Creador de Mapas (Módulo de Gráficos): Este detective observa las conexiones entre las personas. "Esta cuenta está recibiendo dinero de 50 extraños e inmediatamente lo envía todo fuera". Detecta redes de lavado de dinero (mulas) que parecen normales individualmente, pero que son extrañas cuando se conectan.

El Veredicto:
La IA combina las opiniones de los tres detectives en un único "Puntaje de Riesgo". Si el puntaje es alto, el sistema toma medidas.

3. Cómo Reacciona (La Respuesta)

El sistema no solo grita "¡Criminal!" y detiene todo. Tiene cuatro niveles de respuesta, como un sistema de semáforo:

Riesgo Bajo: Simplemente regístralo en el log.
Riesgo Medio: Pide al usuario pruebas adicionales (como un código de mensaje de texto) o aplica una "retención suave" temporal al dinero.
Riesgo Alto: Detén la transacción inmediatamente y alerta a un analista humano.
Riesgo Crítico: Congela la cuenta, llama a la policía (analista) y prepara un informe para los reguladores.

El Asistente Chatbot:
Si una transacción parece sospechosa, el sistema envía automáticamente un mensaje al cliente: "¿Fuiste tú?".

Si el cliente dice "Sí" y demuestra su identidad con un código, el dinero pasa.
Si el cliente dice "No", la cuenta se congela instantáneamente.
El sistema también vigila los "Reajustes Masivos" (donde un hacker intenta restablecer contraseñas de 100 personas a la vez) y detiene ese ataque antes de que se propague.

El Asistente del Analista:
Cuando un guardia de seguridad humano necesita investigar un crimen, esta IA escribe un resumen para él. Dice: "Esto parece un ataque de 'Compromiso de Correo Electrónico Empresarial'. Aquí hay 3 pasos que debe seguir a continuación". Esto ahorra a los humanos horas de lectura.

4. Los Resultados: ¿Funcionó?

Los autores probaron su sistema utilizando una ciudad simulada (un conjunto de datos falsos de 237,000 transacciones y 113,000 sesiones de inicio de sesión) porque no podían usar datos bancarios reales por razones de privacidad.

Compararon su "Súper-Guardia" contra:

El antiguo "Portero" (sistema basado en reglas).
Un sistema que solo usaba el "Aprendiz de Patrones" (solo LSTM).

El Marcador:

Antiguo Portero: Detectó aproximadamente el 56% de los crímenes de transacciones y el 73% de los crímenes de inicio de sesión. Perdió por completo los ataques de "Camaleón" (BEC y lavado de dinero).
Solo LSTM: Detectó aproximadamente el 65% de los crímenes de transacciones.
El Nuevo Agente de IA: Detectó el 78.7% de los crímenes de transacciones y el 86.7% de los crímenes de inicio de sesión.

Victorias Clave:

Detección de BEC: El sistema antiguo tuvo una tasa de éxito del 0% contra el Compromiso de Correo Electrónico Empresarial. El nuevo IA logró detectar algunos de ellos al notar que agregar un nuevo beneficiario y enviar inmediatamente una suma grande era una secuencia de eventos extraña, incluso si el monto parecía normal.
Velocidad: El sistema es increíblemente rápido. Incluso para los crímenes más críticos, toma una decisión en menos de medio milisegundo (0.43 ms), lo cual es más rápido de lo que un humano puede parpadear.

5. Limitaciones (Lo que el documento admite)

Los autores son honestos sobre lo que su sistema aún no puede hacer:

Es una Simulación: Lo probaron con datos falsos. Los datos bancarios reales son más desordenados, y admiten que el sistema necesita ser reentrenado con datos del mundo real antes de poder usarse en un banco real.
Cuentas Nuevas: El "Aprendiz de Patrones" necesita unas 10 transacciones pasadas para conocer a un cliente. Si se abre una cuenta nueva, la IA es menos efectiva durante el primer mes.
Lavado de Dinero Complejo: Aunque mejoró en la detección de lavado de dinero, todavía tiene dificultades con esquemas de "capas" (layering) muy complejos donde el dinero se mueve a través de muchas cuentas.

Resumen

En resumen, este documento presenta un sistema de seguridad inteligente y de múltiples capas para los bancos. En lugar de solo buscar "malos números", observa el comportamiento, la velocidad y las relaciones. Combina la velocidad de las reglas con la memoria de la IA para atrapar tanto a los ladrones ruidosos y obvios como a los silenciosos y astutos, todo mientras ayuda a los clientes a verificar su propia identidad y ayuda a los guardias humanos a trabajar más rápido.

Resumen Técnico: Un Agente de Seguridad de IA para la Banca

Planteamiento del Problema
Las instituciones financieras se enfrentan actualmente a un panorama de amenazas dual y divergente que las arquitecturas de seguridad existentes luchan por abordar simultáneamente. Por un lado, se encuentran los ataques de fraude basados en firmas (p. ej., ataques de tarjeta no presente, ataques de relleno de credenciales por fuerza bruta, clonación de cajeros automáticos) caracterizados por eventos individualmente anómalos detectables mediante reglas de umbral estáticas. Por otro lado, están los delitos financieros de comportamiento (p. ej., el Compromiso de Correo Electrónico Empresarial [BEC], la estructuración y el estratificación de lavado de dinero, redes de mulas) donde las transacciones individuales parecen legítimas; la anomalía existe únicamente en la relación entre transacciones, cuentas o ventanas de tiempo.

Los motores de reglas estáticas actuales son estructuralmente ciegos a estos patrones de comportamiento, mientras que muchos enfoques de aprendizaje automático se centran únicamente en categorías de fraude únicas o flujos de datos únicos (solo transacciones). Existe una falta de agentes operativos unificados que integren la detección de fraude, la prevención de lavado de dinero (AML) y las capacidades de respuesta automatizada en los sectores de la banca minorista y corporativa.

Metodología
El artículo propone un Agente de Seguridad de IA unificado que cuenta con una arquitectura de fusión de tres componentes que opera sobre dos flujos de eventos paralelos:

Flujo de Transacciones: Cubre eventos financieros (compras con tarjeta, transferencias bancarias, retiros de cajero automático, depósitos de efectivo).
Flujo de Sesión: Cubre eventos de autenticación y de la interfaz de usuario (inicios de sesión, desafíos de MFA, adición de beneficiarios, exportaciones masivas).

Motor de Detección Central
Para cada flujo, se calcula un puntaje de riesgo compuesto ( $R$ ) mediante la fusión de tres submódulos a través de una capa de regresión logística:

Modelo de Secuencia ( $s_{seq}$ ): Una red LSTM entrenada en ventanas deslizantes ( $L=10$ ) del historial de comportamiento por cuenta. Aprende líneas base para montos de transacciones, velocidad y familiaridad con la contraparte para detectar anomalías en secuencias temporales.
Monitor de Umbrales ( $s_{thresh}$ ): Una extensión continua de la lógica basada en reglas que normaliza señales como puntuaciones z de montos, ratios de velocidad (transacciones por cada 10 minutos), agregados de estructuración (depósitos de efectivo acumulados en 7 días frente a los umbrales de CTR) y señales de nuevas contrapartes.
Módulo de Grafo/Red ( $s_{graph}$ ): Un proxy ligero de las Redes Neuronales de Grafos (GNN) que captura patrones de relación entre cuenta y contraparte. Calcula características de 24/48 horas móviles, incluyendo fan-in (remitentes entrantes distintos), fan-out (receptores salientes distintos) y ratios de paso (pass-through). También señala viajes imposibles (cambios de ciudad dentro de intervalos de tiempo físicamente implausibles) y reactivación de cuentas inactivas.

Fusión y Respuesta
El puntaje de riesgo final es $R = \max(R_{txn}, R_{sess})$ , asegurando que un evento crítico en cualquiera de los flujos dispare una respuesta apropiada. Se emplea un mecanismo de anulación de un solo submódulo: si la LSTM tiene una alta confianza ( $s_{seq} \geq 0.90$ ) pero las otras señales son bajas (común en BEC donde los montos y las redes parecen normales), el sistema prioriza la señal de la LSTM.

Los puntajes de riesgo se mapean a un marco de respuesta automatizada de cuatro niveles (Bajo, Medio, Alto, Crítico), que activa acciones que van desde el registro de eventos hasta la congelación de cuentas, notificaciones por SMS y alertas a analistas. El sistema también incluye:

Chatbot de Atención al Cliente: Para la verificación de transacciones mediante OTP y la detección de ataques de restablecimiento masivo.
Asistente de Resumen de Casos para Analistas: Genera resúmenes en lenguaje natural con categorización de amenazas y recomendaciones de acción clasificadas.

Contribuciones Clave

Arquitectura Unificada: Un único agente que cubre 13 categorías de amenazas (incluyendo fraude CNP, ATO, BEC, estructuración, estratificación y actividad de mulas) a través de los sectores minorista y corporativo utilizando un modelo de fusión de doble flujo y tres componentes.
Modelo de Amenaza Integral: Aborda explícitamente la brecha entre la detección basada en firmas y la detección de anomalías de comportamiento, cubriendo contextos tanto de transacción como de sesión.
Evaluación Experimental: Evaluación sobre un conjunto de datos sintéticos de 90 días (237,669 transacciones, 113,508 sesiones, 3,470 cuentas) demostrando la eficacia del enfoque de fusión sobre las líneas base.
Herramientas Operativas: Integración de un chatbot de verificación orientado al cliente y un asistente de analista para reducir la carga operativa.

Resultados
El modelo de fusión propuesto demostró un rendimiento superior en comparación con una línea base basada en reglas y una línea base de solo LSTM:

Flujo de Transacciones: Logró un F1 general de 0.787 (frente a 0.562 para reglas, 0.655 para solo LSTM) y un F1 promedio macro de 0.303 (frente a 0.227 para reglas, 0.158 para solo LSTM).
Flujo de Sesión: Logró un F1 general de 0.867 (frente a 0.733 para reglas, 0.713 para solo LSTM) y un F1 promedio macro de 0.529 (frente a 0.500 para reglas, 0.283 para solo LSTM).
Amenazas Específicas: El modelo mejoró significativamente la detección de redirección de BEC (F1 0.064/0.368 frente a 0.000 para reglas) y reactivación de cuentas inactivas. Sin embargo, la detección de estratificación (layering) siguió siendo la categoría más débil (F1 0.131), atribuido a la dificultad de detectar patrones de cadena media sin el paso de mensajes completo de una GNN.
Latencia: Las respuestas automatizadas de nivel crítico completaron con una latencia del percentil 95 de 0.43 ms en un solo nodo de CPU.
Rendimiento del Chatbot: Alcanzó un 96.6% de precisión en la verificación de identidad y un 86.8% en la detección de ataques de restablecimiento masivo.

Significancia y Reclamaciones
El artículo sostiene que la principal significancia de este trabajo es la demostración de que una arquitectura fusionada puede detectar amenazas que son estructuralmente invisibles para sistemas de un solo mecanismo. Específamente, el agente proporciona la única vía de detección disponible para la redirección de BEC en este estudio, aprovechando la capacidad de la LSTM para reconocer la secuencia anómala de "añadir beneficiario + transferencia grande inmediata", incluso cuando las características individuales de la transacción (monto, velocidad) se mantienen dentro de los límites normales.

Los autores enfatizan que la arquitectura de doble flujo proporciona cobertura redundante para amenazas de flujo cruzado (por ejemplo, el robo de cuentas [ATO] manifestándose tanto en los registros de sesión como de transacciones). Reconocen limitaciones, señalando que la evaluación depende de datos sintéticos y que la detección de estratificación es actualmente una aproximación por proxy. El artículo concluye que, si bien el prototipo es efectivo, la implementación en producción requiere el reentrenamiento con datos reales etiquetados y que el trabajo futuro consistirá en reemplazar el proxy de grafo con una GNN heterogénea completa.