Modelo Inteligente para la detección de actividades de lavado de dinero

Descargar versión completa (PDF)

Profesores: Dr. René MacKinney Romero y Dra. Angelina Espinoza Limón (University College Cork)

Resumen: Este trabajo de investigación plantea definir un modelo de inteligencia que combine el uso de ontologías para identificar actividades sospechosas en transacciones de dinero entre instituaciones financieras (IFs), a partir del comportamiento normalizado del cliente; y el uso de aprendizaje maquinal (ML) para verificar el modelo y reducir los márgenes de error.

Objetivos generales:

Realizar un modelo inteligente compuesto por:

  • Una ontología en el lenguaje OWL que permitirá realizar inferencia sobre datos de transacciones de dinero para identificar actividades sospechosas de lavado de dinero y valores (LDV)
  • Un algoritmo de ML, el cual utilizando datos anonimizados, realizará predicciones para comprobar la inferencia obtenida de la ontología
  • Verificar los datos obtenidos mediante una predicción de resultados que comprobarán los de la ontología. Esta verificación servirá para refinar el diseño de la ontología y reglas de negocio.

Objetivos específicos:

  • Investigar ontologías de alto nivel en el dominio financiero, y de algoritmos de ML relevantes al trabajo de investigación
  • Diseñar una ontología específica en el ámbito financiero, para el área de actividades de transacciones de dinero en IFs
  • Implementar un conjunto de reglas de negocio para actividades de transacciones de dinero en IFs, en un lenguaje específico de reglas para ontologías OWL. Estas reglas deberán permitir realizar razonamiento e inferir conocimiento implícito, en la detección sobre si una transacción de dinero es sospechosa y por lo tanto, lanzar una alerta
  • Se implementará un algoritmo de ML, el cual utilizando datos anonimizados de actividades sospechosas, realizará predicciones sobre nuevos datos en la identificación de una actividad sospechosa. Los datos anonimizados serán datos ficticios, que emulen el comportamiento real, diseñados con ayuda de expertos en LDV
  • Verificar la inferencia de la ontología por medio de los resultados del algoritmo de ML, para ajustar la misma y reducir los errores de inferencia y por tanto de predicciones también. Para ello, se utilizarán las métricas usuales de ML (exactitud, precisión, memoria) que midan los resultados de la ontología, por medio de comparar contra los datos esperados y contabilizando los errores y éxitos. Esto permitirá identificar los puntos de mejora de la ontología, para mejorar la exactitud en la siguiente verificación

Última actualización: February 6, 2020 at 22:35 pm

Identificación y análisis de la red social de coinscripción de los alumnos de una licenciatura en la UAM
Simulaciones masivamente paralelas en dinámica molecular

Regresar a Proyectos de Investigación para alumnos de Maestría

P C y T I