Ai e frodi finanziarie: i “dati sintetici” a supporto delle banche

I dati sintetici sono dati informatici generati artificialmente a immagine di quelli “reali”. E hanno il potere di avvicinare le elaborazioni dell’intelligenza artificiale sempre più a quelle del cervello umano. Sembra una boutade, parlare di dati generati sinteticamente, in un mondo dove esiste una sovra-abbondanza di informazioni. Il punto è che però non sempre questo fiume in piena è fatto di informazioni di qualità e libere da bias. Allora, meglio generarne un gemello digitale, artificiale, per addestrare gli algoritmi di Ai in maniera efficace. Con questa tecnologia, si potrebbe colmare il gap tra le intenzioni delle aziende di applicare l’Ai in produzione e l’impossibilità effettiva di farlo. Secondo la Global Survey 2022 di McKinsey infatti, negli ultimi cinque anni la quota di inziative in campo Ai nelle aziende è più che raddoppiata portandosi dal 20% del 2017 al 50% del 2022. Tuttavia, ci sono diverse altre analisi che mostrano come ancora nel 2022 la maggior parte delle iniziative di intelligenza artificiale (nell’ordine del 60%-80%) non entri in produzione. E la ragione sta nel fatto che non si ha accesso alle informazioni decisive. I dati sintetici vengono in soccorso in tutti i campi che necessitano di molti dati per migliorare i processi: assicurazioni, finanza, energia, telecomunicazioni, mobilità urbana, retail – per citarne alcuni. Società come Amazon, American Express, John Deere li utilizzano già di prassi per la gestione delle frodi, per il training di sistema di riconoscimento del linguaggio di Alexa, per le simulazioni nel Metaverso.

Un matrimonio che porta i dati sintetici nel mondo bancario

È in questo contesto che si inserisce la partnership tra Clearbox AI, start-up italiana nata all’Incubatore del Politecnico di Torino e che si occupa proprio di dati sintetici, e BearingPoint, società multinazionale indipendente di consulenza gestionale e tecnologica. Dalla sinergia tra le due società è nato un primo prodotto rivolto a banche e istituzioni finanziarie, che ha l’obiettivo di fornire loro modelli di fraud detection più robusti e performanti.

I modelli di fraud detection si basano sulla raccolta e analisi delle informazioni riguardanti le frodi: “l’AI impara a riconoscere potenziali attività fraudolente a partire dallo “studio” delle caratteristiche dei casi registrati in passato - spiega Shalini Kurapati, Co-Founder e CEO di Clearbox AI - Tuttavia, gli esempi di frode da cui i modelli dovrebbero imparare sono (fortunatamente) rari e sono caratterizzati da una grande variabilità nel tempo. Questo porta a una minore affidabilità della componente predittiva nell’identificazione delle truffe. I dati sintetici permettono all’intelligenza artificiale di essere addestrata a partire da una raccolta di informazioni più completa e robusta”.

“L’utilizzo della tecnologia in cui Clearbox è specializzata - afferma Piergiorgio Stano, Head of Data & Analytics di BearingPoint – ci permette di rafforzare ulteriormente la nostra offerta in ambito fraud detection. Combinando i dati sintetici con i nostri modelli di machine learning possiamo infatti offrire alle imprese performance altissime che permetteranno loro di risolvere numerosi problemi legati alla raccolta e all’analisi dei dati”.

Problemi che sono legati anche alla condivisione (in particolare in relazione alla privacy e al GDPR) la qualità e la quantità dei dati. “I dati sintetici - continua Kurapati -possono risolvere questi problemi proprio perché sono generati artificialmente da algoritmi di intelligenza artificiale sulla base dei dati originali, dei quali mantengono le proprietà statistiche e il potere predittivo, risultando quindi realistici. Essendo simili ma non uguali ai dati reali, non contengono informazioni personali e possono essere condivisi rispettando i regolamenti di privacy, come il GDPR”.

Tutti i vantaggi dei dati sintetici

Un ulteriore vantaggio dell’utilizzo di dati sintetici è liberare il lavoro di qualità dei data scientist che oggi impiegano l’80% del loro tempo a selezionare, ordinare e pulire i dati (Osservatorio Big Data del Politecnico di Milano). Con quelli sintetici potrebbero invertire la rotta e dedicare la maggior parte del loro tempo all’analisi vera e propria, che sta alla base della creazione degli algoritmi.

I dati sintetici permettono inoltre di simulare scenari futuri: “uno dei problemi dei dati reali è che sono storici, permettono di valutare solo eventi già accaduti e possono quindi diventare obsoleti – spiega Kurapita - Per esempio, il COVID ha impattato in maniera rilevante le abitudini delle persone: pensiamo agli spostamenti in auto per andare a lavoro, con il relativo formarsi di code in città o ai caselli. L’utilizzo estensivo del remote working ha cambiato pesantemente i flussi di veicoli sulle strade, così tutti i dati storici relativi agli spostamenti delle persone hanno perso una parte significativa del loro valore predittivo”. 

Infine i dati sintetici possono essere utili anche per testare se le intelligenze artificiali hanno dei pregiudizi (o bias): “se può sembrare strano che una “macchina” possa avere un pregiudizio, bisogna ricordare che i sistemi di AI imparano immagazzinando grandi quantità di informazioni. Ma i dati storici possono essere viziati da pregiudizi sociali del tempo a cui si riferiscono. Testare le intelligenze artificiali con i dati sintetici può invece aiutare ad identificare e neutralizzare tali pregiudizi nascosti e potenzialmente fuorvianti”, conclude Stano.

Quali banche o altri intermediari finanziari offrono soluzioni basate su AI? Quali sono i vantaggi per l'investitore?
Con il servizio Chiedi agli esperti di We Wealth puoi contattare gratuitamente un professionista che ti potrà guidare nella scelta dei migliori investimenti e nella gestione del tuo patrimonio. Fai una domanda a uno dei 300 esperti disponibili su We Wealth.