El Auditor frente a las nuevas tecnologías (2023)

Detalles

03 Abril 2022

Por:CP Iván Rodríguez.Colaborador de Auditool

Nuevas tecnologías: Big Data, IA y Machine and Deep Learning

Big Data, Inteligencia Artificial, Machine Learning y Deep Learning se han convertido en moda. Están detrás del reconocimiento de imágenes para filtros faciales, reconocimiento de voz y se emplean de manera intensiva detrás de las nuevas y revolucionarias aplicaciones comerciales y de marketing. Por ello, es necesario entender lo que significa cada uno de estos términos.

Big Data generalmente se refiere a datos que no se pueden procesar de manera efectiva con aplicaciones tradicionales debido al desafío de capturar, almacenar, transferir, consultar y actualizar datos en cantidades tan grandes (que pueden ser superiores a 30 terabytes). Si bien no hay una definición particular, las personas a menudo se refieren a las 3 V de big data: Volumen (el tamaño de los datos), Variedad (datos de diferentes fuentes o en diferentes formatos) y Velocidad (la velocidad a la que se generan los datos y a la que deben estar disponibles para su procesamiento). Un sistema de Big Data debe abarcar, al menos, estas tres primeras dimensiones y debe ser definido por ellas. Recientemente se han agregado aún más V. Hoy en día, las dimensiones más extendidas del big data son las 5 V, que incluyen adicionalmente Veracidad (confiabilidad de las fuentes de datos) y Valor (utilidad, pero también para el modelo de negocio) que abordan la calidad, en lugar de los aspectos técnicos, de los datos recopilados.

Dado que el concepto de Big Data se refiere al almacenamiento y procesamiento rápido de grandes cantidades de datos, a menudo utiliza análisis que involucran Inteligencia Artificial (IA), Aprendizaje Automático y Aprendizaje Profundo. Estos términos se usan indistintamente, pero no son lo mismo.

El campo de la IA se puede definir como una rama de la informática que tiene como objetivo crear máquinas inteligentes. Es decir, máquinas que emulan el rendimiento humano típicamente aprendiendo, entendiendo conceptos complejos, llegando a conclusiones o participando en diálogos con las personas. Por otro lado, el Machine Learning se refiere a una de las ramas de la IA que se basa en la idea de que se debe dar a las máquinas acceso a los datos y dejarlos. aprender por sí mismos. Y el aprendizaje profundo se refiere a una parte de una familia más amplia de métodos de aprendizaje automático basados en representaciones de datos de aprendizaje centradas en redes neuronales[1], en lugar de algoritmos de tareas específicas. El aprendizaje profundo es bueno para identificar objetos en imágenes y palabras en sonidos. Los investigadores están buscando aplicar este concepto en muchas otras aplicaciones futuras a tareas más complejas, como la traducción automática de idiomas, diagnósticos médicos, marketing y numerosas otros problemas sociales y empresariales importantes.

Un sector que particularmente hace un uso intensivo de las nuevas tecnologías es el de los servicios financieros. La inteligencia artificial es un área en la que se considera que las aplicaciones fintech agregan valor a las partes interesadas. Fintech (del inglés financial technology) es una industria financiera que aplica nuevas tecnologías a actividades financieras y de inversión. Las aplicaciones fintech son procesos, productos o modelos de negocios en la industria de los servicios financieros​, compuestas de uno o más servicios financieros complementarios y puestos a disposición del público vía Internet.

Frente a este panorama, los organismos reguladores han estado alerta. La Unión Europea ha reconocido que la inversión en tecnología en el sector financiero debe ir acompañada de un fuerte marco normativo. Los auditores, así como los oficiales de cumplimiento deben estar atentos frente a las nuevas disposiciones, por ejemplo el Reglamento General de Protección de Datos (GDPR) y tener en cuenta en su evaluaciones el uso de conjuntos de datos de alta calidad, el establecimiento de documentación apropiada para mejorar la trazabilidad, el intercambio de información adecuada con el usuario, el diseño y la implementación de medidas adecuadas de supervisión con los más altos estándares en términos de robustez, seguridad, ciberseguridad y precisión.

Ahora bien, en la identificación y gestión de riesgos, se emplean algoritmos asociados a la IA, por lo que se requiere que los auditores tengan una comprensión de cómo se construyen. En la práctica, la IA es desarrollada por personas a través del uso de programas (software) y así como existen controles y disposiciones de gobierno corporativo en la presentación de informes financieros, es necesario que las organizaciones tengan gobernanza y controles para la IA. Sin embargo, las juntas directivas y los ejecutivos no podrán ayudar a monitorear los controles de manera efectiva sin una comprensión básica de lo que hace la IA y cómo se construye. Para ello, se presentan algunos elementos empleados en la construcción de algoritmos:

Hay tres clases comunes de algoritmos de aprendizaje automático: aprendizaje no profundo, aprendizaje profundo y el aprendizaje por refuerzo. El objetivo de estos modelos de IA es crear una clasificación, una predicción o la generación de datos novedosos.

• El aprendizaje no profundo clasifica, encuentra patrones y predice resultados.
• Los algoritmos de aprendizaje profundo son métodos de clasificación y predicción que trabajan con imágenes y procesamiento del lenguaje natural utilizando redes neuronales profundas. Un ejemplo son los bots conversacionales que ayudan a las personas a navegar por el servicio al cliente en un sitio web.
• Los modelos de aprendizaje por refuerzo examinan un entorno y desarrollan la capacidad de hacer una secuencia de decisiones que tiene como objetivo encontrar el mejor camino positivo hacia adelante. Tales modelos pueden aprender a ganar torneos de ajedrez contra grandes maestros humanos.

Cada algoritmo debe vincularse a la estrategia de negocio. Los algoritmos están diseñados por humanos para contribuir a la toma de decisiones informada que crea el valor comercial previsto. Normalmente hay seis pasos para construir un modelo de aprendizaje automático:

• Definición del problema: considerar un problema empresarial y cómo el aprendizaje automático podría resolverlo.
• Elaboración de perfiles de datos: identificación de las fuentes de datos necesarias para resolver el problema y qué otros se necesitan datos.
• Preparación de datos: determinar lo que se necesita para transformar, normalizar y limpiar los datos y la creación de un enfoque de prueba y validación.
• Evaluación de algoritmos: aprovechar las prácticas líderes para seleccionar los algoritmos necesarios para resolver el problema. A menudo, los equipos de ciencia de datos desarrollarán múltiples algoritmos en paralelo para determinar el modelo de mejor rendimiento. Es importante establecer los criterios correctos de evaluación del desempeño.
• Desarrollo de modelos: entrenamiento, prueba y validación de todos los algoritmos identificados con los datos e implementar enfoques como la regularización.
• Implementación, monitoreo y mantenimiento de modelos: incorporación de operaciones de aprendizaje automático y el monitoreo de estructuras junto con procesos para abordar la deriva del modelo.

Así las cosas, es importante que los auditores fortalezcan sus conocimientos en las nuevas tecnologías, de manera que puedan prestar una mejor asesoría y aborden de una mejor manera los nuevos riesgos derivados de la tecnología.

[1] Una Red Neuronal o una Red Neuronal Artificial (ANN) son sistemas informáticos inspirados en las redes biológicas de nervios y neuronas que constituyen el cerebro humano. Esta solución permite a las computadoras aprender de la experiencia y comprender el mundo en términos de jerarquía de conceptos