El pasado 20 de junio tuvo lugar la primera edición del workshop “Análisis y detección de los delitos mediante metodologías estadísticas y de aprendizaje automático”, organizado por la Cátedra Universitaria de aplicación de metodologías estadísticas, económicas y de aprendizaje automático para la detección de delitos financieros y blanqueo de capitales (Cátedra DEBLANC) de la Universitat de València, en convenio con la Conselleria de Justicia, Interior y Administración Pública de la Generalitat Valenciana.
La inauguración del evento, en la sala Ignasi Villalonga de la Facultad de Economía, corrió a cargo de D. José Manuel Pavía, director de la Cátedra DEBLANC, y D. José Manuel Pastor, decano de la Facultad de Economía de la Universitat de València. La jornada se organizó en torno a la presentación de siete ponencias, todas ellas relacionadas con el análisis y la detección del fraude con métodos estadísticos y de aprendizaje automático (machine learning). La primera fue a cargo de Ricardo Gasperini de la empresa SomData, que habló sobre "El problema de clasificación de una sola clase", es decir, cómo distinguir a las personas que tienen comportamientos delictivos del resto de la población si conocemos muy pocos datos sobre cada uno de esos individuos. La segunda fue expuesta por Pablo González Carrizo, de la empresa BigML, y versó sobre una aplicación práctica efectuada por un banco holandés en la plataforma de su empresa. BigML es una plataforma para desarrollar modelos de aprendizaje automático en la nube "as a service". El primer bloque de ponencias culminó con la llevada a cabo por Elena Badal Valero, que hizo una exposición sobre la figura del contable forense y cuáles son las herramientas de estadística y aprendizaje automático disponibles para poder efectuar la detección y el análisis del fraude.
Después de la pausa para el café, retomó el testigo Jorge Segura Gisbert, de la Unión Alcoyana de Seguros, que realizó una explicación de cuáles son y cómo se analizan los principales fraudes dentro del sector asegurador. Insistió en el hecho de que aunque se sabe que hay fraude, no es fácil demostrarlo, y todas las herramientas disponibles son bienvenidas en esta labor para reducir el comportamiento ilícito de los asegurados. Continuando en este mismo sector, Penélope Garzón López, de la aseguradora MAPFRE, analizó cómo su empresa utiliza modelos GLM para la predicción del fraude. La elección de estos modelos frente a otros más sofisticados es fundamentalmente por la interpretabilidad de los mismos y sus resultados. Algunas veces será preferible que los resultados sean explicables a que sean más precisos.
El último bloque de ponencias versó sobre aprendizaje profundo (deep learning) y fueron a cargo de Emilio Soria Olivas (IDAL) y Jon Ander Gómez (SolverML). En la primera se expuso qué es y en qué consiste el aprendizaje profundo y se mostraron algunas de las técnicas más novedosas proponiendo en cada caso ejemplos de aplicaciones. Para terminar, Jon Ander Gómez explicó cómo detectar el fraude con aprendizaje profundo en la operativa de las tarjetas de crédito y débito de un gran banco español.
El workshop consiguió los objetivos que se había planteado y los asistentes salieron satisfechos de la jornada.
