Prevenire le frodi bancarie: come la tecnologia può aiutare la finanza

Come prevenire le frodi bancarie? Ecco come le banche possono evitare di perdere denaro.

La tecnologia può essere un’arma a doppio taglio: spesso infatti viene utilizzata per mettere in atto complesse frodi bancarie. Ecco come grandi istituti bancari hanno messo a punto sistemi per prevenire il cyber crimine, mettendo al sicuro i propri clienti e correntisti

Partiamo da alcuni dati allarmanti: ad oggi – secondo alcuni studi – le frodi bancarie incidono sull’economia globale per oltre 4000 miliardi di dollari all’anno. Si tratta di una cifra enorme e, in un certo senso, non più tollerabile in un tempo che richiede una solida integrazione tra sicurezza informatica e istituti bancari.

Un problema ancor più serio, però, è l’uso che viene fatto delle somme sottratte dal circuito economico legale. I 4000 miliardi prima citati rientrano nell’economia mondiale in maniera distorta e nociva: si è calcolato che, per giro d’affari, il riciclaggio (money laundering) potrebbe essere considerato come la quinta economia mondiale. Ma non finisce qui, i più comuni crimini finanziari strettamente connessi a falle nel sistema informatico attualmente sarebbero, nell’ordine:

1. Corruzione
2. Riciclaggio
3. Finanziamento a gruppi terroristici
4. Evasione fiscale
5. Inside trading
6. Abusi

Essendo tali crimini una piaga endemica di macrosistemi economici deboli e poco strutturati, si pone con urgenza la necessità di trovare soluzione a tali pratiche illegali. Il problema di fondo, però, è proprio nella complessità del mercato dei capitali. In un mercato sempre più sofisticato, in cui i capitali possono transitare da un paese all’altro in pochi secondi, i rischi di infiltrazione criminale sono altissimi.

La finanza cerca metodi per difendersi dai crimini informatici

In questo quadro, che potrebbe sembrare eccessivamente fosco, il mondo della finanza cerca di difendersi da sé. D’altronde per i grandi istituti bancari il problema si pone in maniera veramente pressante: ogni violazione dei server centrali mette a repentaglio la reputazione e la credibilità dell’istituto stesso. La conseguenza è ovvia: per conquistare i clienti, oggi, c’è bisogno di garantire totale sicurezza, quasi infallibile.

Si comprenderà, quindi, come la posta in gioco sia altissima per entrambe le parti: i cyber criminali sono intenzionati a guadagnare da un mercato che – potenzialmente – restituisce 100 dollari per ogni dollaro investito; le banche sono intenzionate a tutelarsi autonomamente per non perdere la fiducia dei clienti e fondi strategici.

La lotta, però, non è così impari come può sembrare. Ad oggi è stato calcolato che la finanza britannica spende 650 milioni di sterline l’anno per tutelarsi da eventuali frodi. Stessa cosa succede oltreoceano, negli USA il 40% dei fondi cosiddetti “change the bank” viene destinato alla prevenzione di cybercrimini. In altre parole, il mondo della finanza è alla ricerca di soluzioni, ma quali possono essere?

Utilizzare l’intelligenza artificiale (AI) e il Machine Learning (ML) per prevenire il cybercrimine

Uno dei maggiori problemi riscontrati da chi cerca di combattere le frodi informatiche è l’abilità degli hacker nel cercare sempre nuove strade per commettere crimini bancari. Le banche hanno quindi capito che è necessario stare sempre un passo davanti rispetto ai criminali. Sì, ma come?

Accumulo di dati tradizionali vs tecnologia ML: cosa è più efficace?

Uno dei più frequenti errori del passato è stato quello di condurre investigazioni “manuali” sui crimini già portati a segno. In altre parole, consulenti specializzati analizzavano le falle aperte dagli hacker per studiarne le modalità ed accumulare dati. La strategia, a lungo andare, si è rivelata deleteria per diverse ragioni:

• Acquistare dati da mettere a sistema ha un costo spesso insostenibile
• L’inserimento manuale comportava una mole di lavoro umana immensa
• L’algoritmo, studiando casi passati, non riesce a prevedere falle future, col rischio di generare falsi positivi che possano distogliere l’attenzione da frodi tecnologiche più sofisticate

I vantaggi del Machine Learning

Il mondo della finanza ha presto capito che l’elaborazione di una nuova strategia era un tema da affrontare con la massima urgenza. La svolta è arrivata dall’utilizzo intelligente dell’intelligenza artificiale, sempre più sviluppata ed autonoma. Analizzare dati con l’aiuto della tecnologia ML (Machine Learning) ha permesso di risparmiare tempo e risorse, fornendo risultati eccezionali.

La tecnologia ML ha il grandissimo vantaggio di ragionare come un umano, ovvero imparando dai propri errori per migliorare le strategie di difesa: nulla di più adeguato in un mondo in così rapida trasformazione. Tale tecnologia usa il Natural Language Processing (NLP) per massimizzare la comprensione di dati strutturati e non strutturati. È quindi possibile cogliere più informazioni possibili anche da dati secondari o incompleti.

È quindi chiaro che, a differenza delle soglie statiche che caratterizzavano il metodo manuale, le soglie dinamiche del Machine Learning meglio riescono a prevenire crimini informatiche, anticipando le mosse degli hacker. Tale visione sembra condivisa dalla maggior parte degli istituti bancari privati. Secondo il sondaggio riportato nello studio Refinitv 2019 Financial Crime Report, gli intervistati hanno dichiarato che le tecnologie più utili a prevenire i cybercrimes sono:

1. Cloud-based data (67%)
2. AI (56%)
3. API Tecnology (47%)
4. Blockchain (40%)
5. NLP (31%)

Non prevenire frodi bancarie: quali sono i rischi?

La via maestra è stata quindi tracciata: i big del settore hanno iniziato a prevenire le frodi bancarie tramite la condivisione di dati in cloud e l’uso massiccio di una nuova forma di intelligenza artificiale capace di imparare dai propri errori e di comprendere le pieghe del linguaggio umano, proprio come farebbe un operatore fisico. Se impiegare meno personale e limitare al minimo il lavoro manuale diventa un must, creare un sistema autonomo – da poter utilizzare senza la supervisione di tecnici iperspecializzati – è la soluzione.

Tuttavia non tutti gli istituti bancari in questi anni si stanno muovendo verso un’informatizzazione massiccia dei dati per prevenire le frodi bancarie. Se istituti come HSBC spendono 632 milioni di dollari l’anno per attività investigative, altri preferiscono contenere le uscite. Tale strategia non si è sempre rivelata vincente. Per omessa vigilanza sono molte le banche multate in questi anni, tra queste ricordiamo:

• Societè Generale è stata multata 1,3 milioni di dollari
• Bank of Austrialia multata di 700 milioni di dollari AUS
• ING ha ricevuto una sanzione di 775 milioni di euro
• Deutsche Bank è stata multata per 630 milioni di euro

Criticità del Machine Learning e punti da migliorare

Come ogni tipo di tecnologia, naturalmente, anche l’intelligenza artificiale applicata al controllo bancario ha dei limiti. La condivisione dei dati, nucleo fondamentale per l’istituzione di banche dati “smart”, deve essere sempre conforme alle più recenti normative sulla privacy. I dati, pur se spesso condensati in grandi blocchi, contengono comunque informazioni sensibili le quali dovrebbero essere trattate con la più assoluta trasparenza e soprattutto col consenso dei titolari.

Investire nell’ambito della privacy applicata al trattamento dei dati personali diventa quindi corollario principale di una strategia universale. L’obiettivo rimane sempre l’estrapolare da banche dati condivise il maggior numero di informazioni al fine di prevenire attacchi hacker e frodi bancarie. Nei prossimi anni gli istituti bancari potrebbero avere facile accesso a server messi in comune, in modo da rendere operativi i modelli ed iniziare a raccogliere i primi risultati su larga scala.