Resumen
In the fight against financial fraud, financial institutions need every advantage they can get. GenAI with RAG can give them a leg up in KYC/AML activities. By focusing on data, models, and efficiency, firms can maximize the potential of GenAI with RAG.
En una publicación reciente del blog, “¿Desafíos con KYC/AML? GenAI con RAG ofrece resultados”, analizamos cómo las instituciones financieras pueden aprovechar la AI generativa (GenAI) mejorada con la generación aumentada de recuperación (RAG) para mejorar los resultados de Conozca a su cliente (KYC)/antilavado de dinero (AML). Frente a malos actores cada vez más sofisticados y multas recientes por miles de millones de dólares, las empresas financieras necesitan todas las ventajas.
Los datos, los modelos y la eficiencia son áreas esenciales de enfoque
Este enfoque ofrece grandes ganancias en términos de eficiencia, precisión y adaptabilidad, pero hay consideraciones fundamentales 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 atención especial:
los datos
La seguridad y la calidad son las dos guías cuando se trata de datos y GenAI con RAG.
Por seguridad, es absolutamente esencial que los datos confidenciales y de propiedad exclusiva, como la información personal o la producción analítica de propiedad exclusiva, estén protegidos a toda costa. Las protecciones sólidas para la administración, recuperación y generación de datos son esenciales.
Con respecto a la calidad, se debe tener cuidado cuando se trata de la ingesta de datos y el manejo de información contradictoria o inconsistente. En el primer caso, los mejores datos posibles son un requisito absoluto como una entrada sin procesar. En el segundo caso, se necesitan procesos para identificar y mitigar las instancias en las que los datos RAG entran en conflicto o son inconsistentes con los datos que se utilizaron para capacitar el modelo GenAI original.
Modelos
Al igual que con los datos, se requiere cuidado cuando se trata de los modelos que impulsan GenAI con RAG. Los modelos deben personalizarse para proporcionar la mejor adaptación con la tarea en cuestión y deben monitorearse y actualizarse de manera consistente para mantener la relevancia y precisión. La integración de RAG en un LLM puede no ser siempre directa, ya que requiere trabajo en las etapas previas a la capacitación y el ajuste del desarrollo del modelo. Por último, la incorporación de RAG reduce, pero no elimina, los desafíos como la alucinación u otras imprecisiones, lo que hace que las pruebas de modelos y el monitoreo sean aún más importantes.
Eficiencia
Existen tres formas de observar la eficiencia cuando se trata de GenAI con RAG: entrada de datos, eficacia computacional e interacción del usuario. Con la entrada de datos, existe una compensación entre los datos RAG y las capacidades generativas de LLM. Demasiado y puede haber problemas con el sobreajuste o incluso un efecto de “cámara de eco”, mientras que muy poco puede provocar 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 adecuado de implementación de almacenamiento 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 costos. 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: Descripción general de la arquitectura de la generación aumentada por la recuperación.
Aproveche al máximo GenAI con RAG para KYC/AML con Pure Storage
Adoptar GenAI con RAG representa un paso importante hacia adelante para abordar las complejidades de las actividades de KYC/AML. Si bien existen desafíos, la capacidad de aprender y mejorar continuamente ofrece el potencial de crear una solución escalable y dinámica que sea permanente. Las instituciones financieras que exploren 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 regulatorios.
Las empresas financieras necesitan una plataforma de datos confiable 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 servicios financieros con la escalabilidad, flexibilidad y recuperación de datos de baja latencia necesarias para maximizar toda la gama de capacidades de GenAI. Con Pure Storage como socio, las instituciones pueden asegurarse de aprovechar al máximo las capacidades de GenAI que mejoran RAG.
Para obtener más información sobre GenAI con RAG para KYC/AML, descargue el informe técnico más reciente de Pure Storage: “Utilizar GenAI para mejorar KYC/AML y combatir el fraude financiero”.
Enhance Your Efforts
Learn more about using GenAI with RAG for KYC/AML to fight financial fraud.