Inteligência Artificial, Machine Learning (ML), Robotic Process Automation (RPA), Digital Twins e ChatGPT são apenas algumas dos conceitos que entraram em força nos nossos dicionários e que vieram para ficar. Descobrimos novas formas de utilizar as tecnologias para facilitar a nossa vida e aumentar a produtividade. O mundo está a evoluir rapidamente e temos de estar preparados.

Um dos muitos domínios cujo panorama está a mudar devido ao Machine Learning (“aprendizagem automática”) é o sector financeiro. O processo de combate ao branqueamento de capitais pode servir como um ótimo exemplo. O combate ao branqueamento de capitais (AML) refere-se ao conjunto de leis e regulamentos concebidos para combater crimes financeiros como o branqueamento de capitais, o financiamento do terrorismo e outras actividades financeiras ilícitas. As instituições financeiras têm um papel fundamental a desempenhar na luta contra os crimes financeiros e devem ter programas de AML eficazes para evitar a sua exposição a estes riscos.

O Machine Learning é cada vez mais utilizado no AML para detetar actividades e comportamentos suspeitos. Os sistemas tradicionais baseados em regras utilizados no AML são limitados na sua capacidade de detetar padrões complexos e evolutivos de branqueamento de capitais, sobretudo nos casos em que as atividades fraudulentas são disfarçadas de transacções legítimas. Estes sistemas baseiam-se em regras e limiares predefinidos para identificar transacções, clientes e atividades suspeitas. Por exemplo, um sistema baseado em regras assinala as transacções que envolvem países de alto risco ou as que excedem um determinado montante.

No entanto, os sistemas baseados em regras também têm vantagens, incluindo conceitos simples e uma implementação direta. São também eficazes na identificação consistente de atividades que correspondem a critérios específicos e podem ser adaptados a perfis específicos de negócio e de risco. No entanto, estes sistemas têm as suas limitações, como a falta de flexibilidade, uma elevada taxa de falsos positivos e elevados custos de conformidade.

O potencial do Machine Learning é significativo, uma vez que pode melhorar a eficácia e a eficiência dos programas de AML. Não substitui, mas melhora os sistemas baseados em regras, afinando a deteção, analisando maiores volumes de dados, identificando padrões complexos e evolutivos de branqueamento de capitais, adoptando uma abordagem mais baseada no risco, reduzindo os falsos positivos e diminuindo significativamente os custos de conformidade. Os algoritmos de Machine Learning também podem aprender continuamente com novos dados e melhorar a sua precisão ao longo do tempo, tornando-os uma ferramenta eficaz para combater o cenário em evolução do branqueamento de capitais.

A implementação de Machine Learning no AML também tem os seus desafios. Entre eles, podemos incluir a qualidade e a disponibilidade dos dados, o enviesamento algorítmico e a sua explicabilidade, ou as limitações regulamentares. Felizmente, desde que haja consciência destes desafios, existem técnicas para mitigar estas limitações e tirar partido dos avanços tecnológicos que o Machine Learning traz para a mesa.

Em última análise, ultrapassar os desafios da implementação de Machine Learning no AML requer um esforço de colaboração entre instituições financeiras, reguladores e fornecedores de tecnologia. A construção de uma base sólida de gestão de dados, a seleção de algoritmos de ML imparciais e interpretáveis e o envolvimento de especialistas humanos podem ajudar as instituições financeiras a implementar eficazmente o ML nos programas AML.