En una nota de blog reciente, “¿Retos con la KYC/AML? GenAI con RAG proporciona resultados”, analizamos cómo las instituciones financieras pueden aprovechar la IA generativa (GenAI) mejorada con la generación aumentada de recuperación (RAG) para mejorar los resultados de conocer a sus clientes (KYC)/antiblanqueo de dinero (AML). Las empresas financieras necesitan todas las ventajas, ya que se enfrentan a malos actores cada vez más sofisticados y a multas recientes por valor de miles de millones de dólares.
Los datos, los modelos y la eficiencia son áreas de enfoque esenciales
Este enfoque proporciona grandes ganancias en términos de eficiencia, precisión y adaptabilidad, pero hay consideraciones críticas que deben tenerse en cuenta para maximizar el potencial de GenAI con RAG y al mismo tiempo mitigar los riesgos y las limitaciones. En términos generales, hay tres áreas que requieren una atención especial:
Datos
La seguridad y la calidad son las dos pautas cuando se trata de datos y GenAI con RAG.
Por motivos de seguridad, es absolutamente esencial que los datos confidenciales y de propiedad exclusiva, como la información personal o los resultados analíticos de propiedad exclusiva, estén protegidos a toda costa. Es esencial disponer de unas medidas de seguridad sólidas para la gestión, la recuperación y la generación de los datos.
Con respecto a la calidad, se debe tener cuidado cuando se trata tanto de la ingesta de datos como de la gestión de la información contradictoria o incoherente. En el primer caso, los mejores datos posibles son un requisito absoluto como entrada bruta. En el segundo caso, se necesitan procesos para identificar y mitigar los casos en los que los datos RAG entran en conflicto o son incoherentes de otro modo con los datos que se utilizaron para formar el modelo GenAI original.
Modelos
Al igual que con los datos, es necesario tener cuidado cuando se trata de los modelos que impulsan el GenAI con RAG. Los modelos deben personalizarse para proporcionar la mejor adaptación a la tarea en cuestión y supervisarse y actualizarse de manera constante para mantener la relevancia y la precisión. La integración de RAG en un LLM puede que tampoco siempre sea sencilla, por lo que es necesario trabajar en las fases de precapacitación y ajuste del desarrollo del modelo. Por último, la adición de RAG reduce, pero no elimina, los retos como la alucinación u otras imprecisiones, lo que hace que las pruebas y la supervisión de los modelos sean aún más importantes.
Eficiencia
Hay tres maneras de ver la eficiencia cuando se trata de GenAI con RAG: la entrada de datos, la eficacia computacional y la interacción del usuario. Con la introducción de datos, hay una compensación entre los datos RAG y las capacidades generativas del LLM. Demasiado y puede haber problemas con el sobreajuste o incluso un efecto de “cámara de eco”, mientras que demasiado poco puede conducir a resultados subóptimos. En términos de eficiencia computacional, puede ser muy costoso ejecutar procesos no optimizados, especialmente con conjuntos de datos muy grandes. Como destaca Gartner, es fundamental elegir el tipo de despliegue de almacenamiento adecuado para su caso de uso de GenAI. La indexación eficiente, los algoritmos de recuperación y el almacenamiento en caché ayudan a equilibrar los resultados deseados con los costes. Por último, los comentarios de los usuarios y las solicitudes de aclaración son extremadamente valiosos y deben tenerse en cuenta al desarrollar procedimientos operativos.
Figura 1: Resumen arquitectónico de la generación aumentada por recuperación.
Saque el máximo partido de GenAI con RAG para KYC/AML con Pure Storage
Adoptar GenAI con RAG representa un paso importante para abordar las complejidades de las actividades de KYC/AML. Si bien existen retos, la capacidad de aprender y mejorar continuamente ofrece el potencial de crear una solución escalable y dinámica que es permanente. Las instituciones financieras que afronten estas consideraciones con éxito estarán bien posicionadas para proteger a su empresa del fraude financiero y los daños a la reputación y cumplir con los requisitos normativos.
Las empresas financieras necesitan una plataforma de datos fiable y de alto rendimiento para aprovechar el potencial de GenAI para las actividades de KYC/AML. Pure Storage proporciona el conocimiento del dominio junto con una solución GenAI RAG validada para los servicios financieros, con la escalabilidad, la flexibilidad y la recuperación de datos de baja latencia necesarias para maximizar toda la gama de funcionalidades GenAI. Con Pure Storage como socio, las instituciones pueden asegurarse de que aprovechan al máximo las capacidades de GenAI mejoradas por RAG.
Para obtener más información sobre GenAI con RAG para KYC/AML, descargue el último informe de Pure Storage: “Utilizar GenAI para mejorar la KYC/AML y combatir el fraude financiero”.
