El passat 20 de juny va tindre lloc la primera edició del workshop “Anàlisi i detecció dels delictes mitjançant metodologies estadístiques i d’aprenentatge automàtic”, organitzat per la Càtedra Universitària d’aplicació de metodologies estadístiques, econòmiques i d’aprenentatge automàtic per a la detecció de delictes financers i blanqueig de capitals (Càtedra DEBLANC) de la Universitat de València, en conveni amb la Conselleria de Justícia, Interior i Administració Pública de la Generalitat Valenciana.
La inauguració de l’esdeveniment, en la sala Ignasi Villalonga de la Facultat d’Economia, va córrer a càrrec de D. José Manuel Pavía, director de la Càtedra DEBLANC, i D. José Manuel Pastor, degà de la Facultat d’Economia de la Universitat de València. La jornada s’organitzà al voltant de la presentació de set ponències, totes elles relacionades amb l’anàlisi i la detecció del frau amb mètodes estadístics i d’aprenentatge automàtic (machine learning). La primera fou a càrrec de Ricardo Gasperini de l’empresa SomData, que parlà sobre "El problema de classificació d’una sola classe", és a dir, com distingir a les persones que tenen comportaments delictius de la resta de la població si coneixem molt poques dades sobre cadascun d’eixos individus. La segona fou exposada per Pablo González Carrizo, de l’empresa BigML, i versà sobre una aplicació pràctica efectuada per un banc holandés en la plataforma de la seua empresa. BigML és una plataforma per a desenvolupar models d’aprenentatge automàtic en el núvol "as a service". El primer bloc de ponències culminà amb la duta a terme per Elena Badal Valero, que va fer una exposició sobre la figura del comptable forense i quines són les eines d’estadística i aprenentatge automàtic disponibles per a poder efectuar la detecció i l’anàlisi del frau.
Després de la pausa per al cafè, va prendre el testimoni Jorge Segura Gisbert, de la Unión Alcoyana de Seguros, que realitzà una explicació de quines són i com s’analitzen els principals fraus dins del sector de les assegurances. Va insistir en el fet que encara que se sap que hi ha frau, no és fàcil demostrar-ho, i totes les eines disponibles són benvingudes en aquesta tasca per a reduir el comportament il·lícit dels assegurats. Continuant en aquest mateix sector, Penélope Garzón López, de l’asseguradora MAPFRE, analitzà com la seua empresa utilitza models GLM per a la predicció del frau. L’elecció d’aquests models i no altres més sofisticats és fonamentalment per la interpretabilitat d’aquests i els seus resultats. Algunes vegades serà preferible que els resultats siguen explicables a què siguen més precisos.
L’últim bloc de ponències versà sobre aprenentatge profund (deep learning) i foren a càrrec d’Emilio Soria Olivas (IDAL) i Jon Ander Gómez (SolverML). En la primera s’exposà que és i en què consisteix l’aprenentatge profund i es mostraren algunes de les tècniques més innovadores proposant en cada cas exemples d’aplicacions. Per a finalitzar, Jon Ander Gómez explicà com detectar el frau amb aprenentatge profund en l’operativa de les targetes de crèdit i dèbit d’un gran banc espanyol.
El workshop va aconseguir els objectius que s’havia plantejat i els assistents eixiren satisfets de la jornada.
