La necesidad de hacer equipo con agentes virtuales para prevenir errores y fraudes en las organizaciones
La Inteligencia Artificial está tocando las puertas de las oficinas de los auditores internos, compliance officer (garante del cumplimiento normativo), investigadores de fraude y abogados. Los agentes virtuales son muy buenos procesando datos no estructurados, y utilizando herramientas para poder analizarlos, interpretarlos, compararlos y ayudar a responder a preguntas tales como ¿Qué pasó?, o ¿Por qué pasó?. Es decir, los agentes virtuales son el complemento que cualquier área de control desearía tener.
Por eso, se viene una nueva ola de automatizaciones en las organizaciones gracias a los agentes virtuales. Como siempre, los departamentos comerciales son la punta de lanza, pero las áreas de control como los equipos de auditoría interna, prevención de fraude y compliance, ya también observan con buenos ojos su uso.
Pensemos a un agente virtual, como algo más que un simple chat al que le hacemos preguntas y nos responde. Más bien, imaginemos un conjunto de cerebros de inteligencia artificial, los ya conocidos LLMs (Large Language Models o modelos de lenguaje de gran tamaño). Cada uno especializado en un campo de conocimiento en particular, a los cuales le conectamos herramientas de distinto tipo para llevar a cabo tareas.
Gustavo Serenelli, socio de Ciencia de Datos de Deloitte.
Por ejemplo, que busque en internet, que transforme archivos pdf a texto, que reconozca texto escrito en imágenes, que envíe y extraiga información de una base de datos, que envíe notificaciones, que pueda ejecutar código para analizar datos, etc.
En otras palabras, un equipo de agentes virtuales, donde cada uno tiene habilidades particulares y es experto en una tarea en particular, y todos forman parte de un proceso que tiene por objetivo cumplir con determinada acción. En un ejemplo concreto, supongamos que necesitamos revisar si los gastos realizados por los empleados están en conformidad con las normativas internas de la compañía.
En tal sentido, a los efectos de eficientizar este procedimiento, podríamos llevar a cabo los siguientes pasos:
- Lo primero que querríamos hacer es recopilar datos de distintos sistemas de información de la organización sobre rendiciones de gastos, viáticos, tarjetas corporativas, etc. Un agente virtual realizaría esa tarea con una herramienta para conectarse y extraer esos datos.
- Luego, otro agente tomaría la normativa interna descripta en documentos PDF, la transformaría a texto e identificaría la naturaleza de los gastos permitidos y sus límites.
- Otro agente recibiría los datos de los gastos y los límites establecidos en la normativa y los analizaría utilizando, por ejemplo, Python (un lenguaje muy flexible y con uso extendido a los efectos del análisis de datos).
- Finalmente, un último agente generaría un reporte o un tablero con los principales resultados del análisis realizado.
Pensemos en la labor habitual de un equipo de auditoría interna, de prevención de fraude o compliance, y la cantidad de rutinas de control que requieren recolectar datos estructurados y no estructurados de distintas fuentes y distinto formato, analizarlos, compararlos, resumirlos y luego realizar seguimiento de los resultados.
Cada rutina es un flujo de trabajo que se puede dividir en un conjunto de tareas, pasos o subprocesos. Muchas de ellas podrán ser automatizadas a partir de agentes virtuales que nos ayuden a llevarlas a cabo, sin olvidarnos de la premisa fundamental, que se conoce por su expresión en inglés “human in the loop” o el humano presente. Esto no es otra cosa, que asegurar un involucramiento humano en el proceso, en puntos de control, tomando decisiones o validando previamente las decisiones recomendades por los agentes, etc.
Seguramente, a los efectos de optimizar el resultado de este conjunto de algoritmos, deberemos tomar ciertas decisiones estratégicas con inteligencia:
· ¿Cuál es el LLM que mejor aplica para cada problemática? ¿En qué caso trabajaremos con un LLM privado y en qué caso con un LLM Open Source?
- ¿Debemos hacer un ajuste fino del LLM para que se adapte a la problemática en cuestión?
- En caso de necesitar hacer un ajuste fino, ¿debemos trabajar con LLMs más grandes para mejorar la precisión de las respuestas, o con LLMs más pequeños, para eficientizar el costo del entrenamiento?
- ¿Cuál es la Ingeniería de Promts que debe hacerse, previamente a invocar al LLM, para mejorar la calidad de la respuesta?
- ¿Debemos construir una Base RAG para que el asistente consulte información de contexto antes de invocar al LLM?
- ¿Cuál es la arquitectura óptima (en términos de minimización de costos y maximización de precisión en las respuestas) que debiera dar soporte a este conjunto de procesos?
- ¿Cómo aseguro la confidencialidad de la información de la compañía o de terceras partes dada la arquitectura seleccionada?
“Por supuesto que la tarea de automatización no será sencilla ni rápida, pero seguramente, en los próximos años se transformará la forma en que prevenimos, controlamos y/o monitoreamos las actividades de negocio para garantizar que se cumplan con los objetivos de la organización”, señala Andrés Sarcuno, socio de Forensics Analytics.
Y si queremos avanzar un pasó más, comenzaremos a pensar en tener nuestros propios LLMs implementados en nuestra compañía, entrenados con nuestros datos y especializados en los negocios de nuestra propia empresa.
https://www.lavoz.com.ar/espacio-publicidad/la-necesidad-de-hacer-equipo-con-agentes-virtuales-para-prevenir-errores-y-fraudes-en-las-organizaciones/
Compartilo en Twitter
Compartilo en WhatsApp
Leer en https://www.lavoz.com.ar/espacio-publicidad/la-necesidad-de-hacer-equipo-con-agentes-virtuales-para-prevenir-errores-y-fraudes-en-las-organizaciones/