El fraude financiero continúa siendo un problema significativo en todo el mundo, con pérdidas que alcanzaron los 12,5 mil millones de dólares solo en Estados Unidos durante 2024, según la Comisión Federal de Comercio. Este aumento del 25% respecto al año anterior no se debe a una mayor frecuencia de las estafas, sino a la sofisticación creciente de los métodos empleados por los defraudadores. Mientras las tácticas fraudulentas se vuelven más complejas, los enfoques de aprendizaje automático tradicionales resultan insuficientes al analizar transacciones de manera aislada, sin capturar las redes de actividades coordinadas.
En respuesta a esta problemática, las redes neuronales gráficas (GNN) se destacan al modelar las relaciones entre entidades como usuarios, dispositivos y métodos de pago. Estas redes no solo identifican actividades sospechosas individuales, sino que también revelan conexiones en las relaciones, esenciales en los fraudes modernos. Sin embargo, aplicar GNN para la prevención de fraude en línea presenta desafíos, como alcanzar tiempos de respuesta de inferencia menores a un segundo y escalar a nivel de millones de nodos.
GraphStorm surge como una solución innovadora, especialmente con las capacidades de inferencia en tiempo real de su versión 0.5. Tradicionalmente, la Deep Graph Library (DGL) permitía tiempos de respuesta rápidos, pero a costa de una orquestación compleja de servicios. GraphStorm, en cambio, ofrece un enfoque que combina entrenamiento distribuido y APIs avanzadas para simplificar y escalar el desarrollo de GNN al nivel empresarial.
Con el soporte nativo para inferencia en tiempo real a través de Amazon SageMaker AI, GraphStorm v0.5 facilita la detección preventiva de fraudes financieros. Su proceso en cuatro pasos incluye la exportación de gráficos de transacciones desde bases de datos OLTP, entrenamiento del modelo, despliegue simplificado e integración en aplicaciones para procesar transacciones en tiempo real. Esto permite un avance significativo, ya que transforma modelos GNN entrenados en puntos de inferencia operativos con mínima sobrecarga.
Utilizando conjuntos de datos como el IEEE-CIS, con 500,000 transacciones anonimizadas, las GNN pueden identificar patrones sutiles de fraude al analizar las relaciones entre entidades. La capacidad de personalizar estas tecnologías promete a las organizaciones un método más eficaz para enfrentar las amenazas de fraude actuales, allanando el camino hacia una mayor seguridad financiera.
