Automatice la validación de documentos y la detección de fraudes en el proceso de suscripción de hipotecas mediante los servicios de IA de AWS: Parte 1 | Servicios web de Amazon

En esta serie de tres partes, presentamos una solución que demuestra cómo puede automatizar la detección de falsificación de documentos y fraudes a escala utilizando los servicios de IA y aprendizaje automático (ML) de AWS para un caso de uso de suscripción de hipotecas.

Esta solución se suma a una ola global más significativa de aumento del fraude hipotecario, que está empeorando a medida que más personas presentan pruebas fraudulentas para calificar para préstamos. Los datos sugieren que la actividad hipotecaria de alto riesgo y sospechosa de fraude va en aumento, observando un aumento del 52 % en las solicitudes de hipotecas sospechosas de fraude desde 2013. (Fuente: equifax)

La Parte 1 de esta serie analiza los desafíos más comunes asociados con el proceso de préstamo manual. Brindamos orientación concreta sobre cómo abordar este problema con los servicios de IA y ML de AWS para detectar la manipulación de documentos, identificar y categorizar patrones para escenarios fraudulentos e integrar con reglas definidas por el negocio mientras minimizamos la experiencia humana para la detección de fraudes.

En la Parte 2, demostramos cómo entrenar y alojar un modelo de visión por computadora para detección de manipulación y localización en Amazon SageMaker. En la Parte 3, mostramos cómo automatizar la detección de fraude en documentos hipotecarios con un modelo ML y reglas definidas por el negocio usando Detector de fraudes de Amazon.

Desafíos asociados con el proceso de préstamo manual

Las organizaciones en la industria de préstamos e hipotecas reciben miles de solicitudes, que van desde nuevas solicitudes de hipoteca hasta la refinanciación de una hipoteca existente. Estos documentos son cada vez más susceptibles al fraude de documentos ya que los estafadores intentan explotar el sistema y calificar para hipotecas de varias maneras ilegales. Para ser elegible para una hipoteca, el solicitante debe proporcionar al prestamista documentos que verifiquen su empleo, bienes y deudas. Cambiar las reglas de préstamo y las tasas de interés puede alterar drásticamente la asequibilidad crediticia de un solicitante. Los estafadores van desde novatos que cometen errores hasta maestros casi perfectos al crear documentos de solicitud de préstamo fraudulentos. El papeleo fraudulento incluye, entre otros, alterar o falsificar talones de pago, inflar información sobre ingresos, tergiversar el estado laboral y falsificar cartas de empleo y otros documentos clave de suscripción de hipotecas. Estos intentos de fraude pueden ser difíciles de capturar para los prestamistas hipotecarios.

Los desafíos significativos asociados con el proceso de préstamo manual incluyen, entre otros:

• La necesidad de que un prestatario visite la sucursal
• Gastos generales operativos
• Errores de entrada de datos
• Automatización y tiempo de resolución

Finalmente, el proceso de suscripción, o el análisis de la solvencia y la decisión del préstamo, toma tiempo adicional si se hace manualmente. Una vez más, el proceso manual de préstamos al consumidor tiene algunas ventajas, como la aprobación de un préstamo que requiere juicio humano. La solución proporcionará automatización y mitigación de riesgos en la suscripción de hipotecas, lo que ayudará a reducir el tiempo y el costo en comparación con el proceso manual.

Resumen de la solución

La validación de documentos es un tipo crítico de entrada para las decisiones de fraude hipotecario. Comprender el perfil de riesgo de los documentos hipotecarios de respaldo y generar conocimientos a partir de estos datos puede mejorar significativamente las decisiones de riesgo y es fundamental para la estrategia de gestión de fraude de cualquier suscriptor.

El siguiente diagrama representa cada etapa en una canalización de detección de fraude de documentos hipotecarios. Recorremos cada una de estas etapas y cómo ayudan a lograr la precisión de la suscripción (iniciada con la captura de documentos para clasificar y extraer el contenido requerido), la detección de documentos alterados y, finalmente, el uso de un modelo ML para detectar posibles fraudes clasificados de acuerdo con las reglas impulsadas por el negocio.

En las siguientes secciones, discutimos las etapas del proceso en detalle.

Clasificación de documentos

Con procesamiento inteligente de documentos (IDP), podemos procesar automáticamente documentos financieros utilizando los servicios de IA de AWS, como Amazon Textil y Amazon Comprehend.

Además, podemos utilizar la API de análisis de préstamos de Amazon Textract para procesar documentos hipotecarios. Analyze Lending utiliza modelos de aprendizaje automático preentrenados para extraer, clasificar y validar automáticamente información en documentos relacionados con hipotecas con alta velocidad y precisión, al tiempo que reduce el error humano. Como se muestra en la siguiente figura, Analyze Lending recibe un documento de préstamo y luego lo divide en páginas, clasificándolas según el tipo de documento. Luego, las páginas del documento se enrutan automáticamente a las operaciones de procesamiento de texto de Amazon Textract para una extracción y un análisis de datos precisos.

La API de análisis de préstamos ofrece los siguientes beneficios:

• Procesamiento automatizado de extremo a extremo de paquetes hipotecarios
• Modelos de aprendizaje automático preentrenados en una variedad de tipos de documentos en un paquete de solicitud de hipoteca
• Capacidad de escalar bajo demanda y reducir la dependencia de revisores humanos
• Toma de decisiones mejorada y costos operativos significativamente más bajos

Detección de manipulación

Utilizamos un modelo de visión artificial implementado en SageMaker para nuestra solución integral de localización y detección de falsificación de imágenes, lo que significa que toma una imagen de prueba como entrada y predice la probabilidad de falsificación a nivel de píxel como salida.

La mayoría de los estudios de investigación se centran en cuatro técnicas de falsificación de imágenes: empalme, copiar-mover, eliminar y mejorar. Tanto el empalme como el movimiento de copia implican agregar contenido de imagen a la imagen de destino (falsificada). Sin embargo, el contenido agregado se obtiene de una imagen diferente en el empalme. En copiar-mover, es de la imagen de destino. La eliminación, o volver a pintar, elimina una región de imagen seleccionada (por ejemplo, ocultando un objeto) y llena el espacio con nuevos valores de píxeles estimados a partir del fondo. Finalmente, la mejora de imágenes es una vasta colección de manipulaciones locales, como la nitidez, el brillo y el ajuste.

Dependiendo de las características de la falsificación, se pueden utilizar diferentes pistas como base para la detección y localización. Estas pistas incluyen artefactos de compresión JPEG, inconsistencias de borde, patrones de ruido, consistencia de color, similitud visual, consistencia EXIF ​​y modelo de cámara. Sin embargo, las falsificaciones de la vida real son más complejas y, a menudo, utilizan una secuencia de manipulaciones para ocultar la falsificación. La mayoría de los métodos existentes se centran en la detección a nivel de imagen, ya sea que una imagen sea falsificada o no, y no en localizar o resaltar un área falsificada de la imagen del documento para ayudar al suscriptor a tomar decisiones informadas.

Repasamos los detalles de implementación de la capacitación y el alojamiento de un modelo de visión artificial para la detección y localización de manipulaciones en SageMaker en la Parte 2 de esta serie. La arquitectura conceptual basada en CNN del modelo se representa en el siguiente diagrama. El modelo extrae características de rastreo de manipulación de imágenes para una imagen de prueba e identifica regiones anómalas evaluando qué tan diferente es una característica local de sus características de referencia. Detecta píxeles falsificados mediante la identificación de características anómalas locales como una máscara predicha de la imagen de prueba.

Detección de fraude

Utilizamos Amazon Fraud Detector, un servicio de inteligencia artificial completamente administrado, para automatizar la generación, evaluación y detección de actividades fraudulentas. Esto se logra generando predicciones de fraude basadas en datos extraídos de los documentos de la hipoteca contra modelos de fraude de ML entrenados con los datos históricos (de fraude) del cliente. Puede utilizar la predicción para desencadenar reglas comerciales en relación con las decisiones de suscripción.

La definición de la lógica de predicción del fraude involucra los siguientes componentes:

• Tipos de eventos – Definir la estructura del evento
• fexibles – Definir el algoritmo y los requisitos de datos para predecir el fraude
• Variables – Representar un elemento de datos asociado con el evento de detección de fraude
• Reglas – Dígale a Amazon Fraud Detector cómo interpretar los valores de las variables durante la predicción de fraude
• Resultados – Los resultados generados a partir de una predicción de fraude
• Versión del detector – Contiene lógica de predicción de fraude para el evento de detección de fraude

El siguiente diagrama ilustra la arquitectura de este componente.

Después de implementar su modelo, puede evaluar sus puntuaciones y métricas de rendimiento en función de las explicaciones de predicción. Esto ayuda a identificar los principales indicadores de riesgo y analizar los patrones de fraude en los datos.

Validación de terceros

Integramos la solución con terceros proveedores (vía API) para validar la información extraída de los documentos, como información personal y laboral. Esto es particularmente útil para la validación cruzada de detalles además de la detección de manipulación de documentos y la detección de fraudes en función del patrón histórico de las aplicaciones.

El siguiente diagrama de arquitectura ilustra una canalización de detección de fraudes orientada a lotes en el procesamiento de solicitudes de hipotecas mediante varios servicios de AWS.

El flujo de trabajo incluye los siguientes pasos:

1. El usuario carga los documentos escaneados en Servicio de almacenamiento simple de Amazon (Amazon S3).
2. La carga desencadena un AWS Lambda (Invocar análisis de documentos) que llama a la API de Amazon Textract para la extracción de texto. Además, podemos utilizar Amazon Textract Analyze Lending API para extraer, clasificar y validar información automáticamente.
3. Al finalizar la extracción de texto, se envía una notificación a través de Servicio de notificación simple de Amazon (red social de Amazon).
4. La notificación activa una función Lambda (Obtener análisis de documentos), que invoca a Amazon Comprehend para la clasificación personalizada de documentos.
5. Los resultados del análisis de documentos que tienen una puntuación de confianza baja se envían a revisores humanos mediante IA aumentada de Amazon (Amazonas A2I).
6. La salida de Amazon Textract y Amazon Comprehend se agrega mediante una función Lambda (Analyze & Classify Document).
7. Se llama a un extremo de inferencia de SageMaker para una máscara de predicción de fraude de los documentos de entrada.
8. Se llama a Amazon Fraud Detector para obtener una puntuación de predicción de fraude utilizando los datos extraídos de los documentos de la hipoteca.
9. Los resultados de Amazon Fraud Detector y el punto final de inferencia de SageMaker se agregan a la aplicación de originación de préstamos.
10. El estado del trabajo de procesamiento de documentos se rastrea en Amazon DynamoDB.

Conclusión

Esta publicación describió una solución automatizada para detectar la manipulación de documentos y el fraude en el proceso de suscripción de hipotecas utilizando Amazon Fraud Detector y otros servicios de IA y ML de Amazon. Esta solución le permite detectar intentos de fraude más cerca del momento en que ocurre el fraude y ayuda a los aseguradores con un proceso de toma de decisiones efectivo. La flexibilidad de la implementación le permite definir reglas impulsadas por el negocio para clasificar y capturar los intentos fraudulentos personalizados para necesidades comerciales específicas.

En la Parte 2 de esta serie, proporcionamos los detalles de implementación para detectar la manipulación de documentos mediante SageMaker. En la Parte 3, demostramos cómo implementar la solución en Amazon Fraud Detector.

---

Sobre los autores

anup ravindranath es arquitecto de soluciones sénior en Amazon Web Services (AWS) con sede en Toronto, Canadá, y trabaja con organizaciones de servicios financieros. Ayuda a los clientes a transformar sus negocios e innovar en la nube.

vinnie saini es Arquitecto de Soluciones Sénior en Amazon Web Services (AWS) con sede en Toronto, Canadá. Ha estado ayudando a los clientes de Servicios Financieros a transformarse en la nube, con soluciones impulsadas por IA y ML asentadas sobre sólidos pilares fundamentales de Excelencia Arquitectónica.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
• Acuñando el futuro con Adryenn Ashley. Accede Aquí.
• Compra y Vende Acciones en Empresas PRE-IPO con PREIPO®. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/automate-document-validation-and-fraud-detection-in-the-mortgage-underwriting-process-using-aws-ai-services-part-1/