- Cumbres
- Noticias
- Fundaci¨®n SiGMA
- Formaci¨®n y asesoramiento
- Tour de p¨®quer
- Sobre nosotros
Volod¨ªmir Todurov y los usos de IA contra el fraude en el ecosistema PIN-UP
Etiquetas:
El desarrollo r¨¢pido de la esfera del iGaming ha sido posible gracias al avance del software de los juegos en l¨ªnea. Para darles a los usuarios productos emocionantes y de alta, la industria requiere entender en profundidad la tecnolog¨ªa innovadora, conceptos y enfoques tales como alta carga, Big Data, alta disponibilidad, alta escalabilidad, tiempo real y baja latencia. Por lo tanto, los desarrolladores de software iGaming fomentan el desarrollo global de la industria y esto es precisamente lo que PIN-UP.TECH est¨¢ haciendo.
El segmento PIN-UP.TECH forma parte del ecosistema PIN-UP Global y est¨¢ formado por empresas de inform¨¢tica especializadas en el desarrollo de software para todos los miembros. Entre los logros de PIN-UP.TECH hay soluciones tecnol¨®gicas ¨²nicas que permiten a los socios mantener su posici¨®n de liderazgo y ofrecer a los jugadores un servicio de alta calidad. M¨¢s de 500 especialistas de diferentes pa¨ªses est¨¢n involucrados en la direcci¨®n t¨¦cnica de PIN-UP, quienes aseguran la estabilidad de las plataformas iGaming, CRM, herramientas antifraude, sistemas de afiliados y mucho m¨¢s. Entre los l¨ªderes del equipo profesional est¨¢n Volod¨ªmir Todurov, director analista, quien comparti¨® con SiGMA Noticias comentarios sobre su experiencia laboral ¨²nica.
?Podr¨ªas contarnos m¨¢s sobre el modelo ML/AI y c¨®mo funciona?
Los modelos de decisi¨®n basados en IA analizan meticulosamente numerosos par¨¢metros asociados a cada transacci¨®n, que abarcan variables como la frecuencia de las apuestas, el tama?o, los eventos seleccionados, as¨ª como su historial. Dichos par¨¢metros se analizan dentro del modelo, donde se identifican los que muestran una mayor eficacia predictiva y se incorporan al proceso de previsi¨®n.
Hemos utilizado el aprendizaje autom¨¢tico y nos centramos principalmente en el modelo de refuerzo de gradiente extremo. Este es famoso por su eficacia con datos estructurados. El quid de este enfoque reside en construir un conjunto de modelos que se refinan mutuamente de forma iterativa para reforzar la precisi¨®n de las previsiones. El modelo se alimenta con un amplio historial de apuestas como entrada y arroja una probabilidad en el rango de 0-1, que indica la probabilidad de que el usuario est¨¦ implicado en actividades fraudulentas.
?Cu¨¢les son las ventajas de un modelo antifraude basado en IA frente a uno cl¨¢sico?
Cuando nos enfrentamos a grandes cantidades de datos, la utilidad de los modelos ML/AI se hace evidente. Ofrecen una mayor capacidad para generalizar la informaci¨®n y discernir patrones en el comportamiento de los clientes que eluden m¨¦todos como el an¨¢lisis manual de transacciones o la aplicaci¨®n de reglas lineales.
La IA es una herramienta adicional para el equipo de operaciones agiliza los procesos para reducir los porcentajes de error y los tiempos de toma de decisiones para casos individuales. Asimismo, descubre nuevas perspectivas sobre nuestra clientela. En ciertos aspectos, la IA enriquece nuestra experiencia y ampl¨ªa las perspectivas al emplear un enfoque ligeramente divergente en la toma de decisiones. Muchas tareas pueden delegarse ahora a la IA con autonom¨ªa.
En consecuencia, la IA facilita la expansi¨®n de los vol¨²menes de negocio sin un aumento proporcional del equipo de gesti¨®n de riesgos. Esto agiliza las operaciones diarias gracias a eliminar rutinas tediosas y oportunidades de profundizar en el an¨¢lisis de otros procesos.
En tu opini¨®n, ?c¨®mo pueden evolucionar las herramientas antifraude basadas en IA y qu¨¦ problemas pueden resolver en el futuro?
Dentro del equipo, hemos esbozado c¨®mo vemos el desarrollo de herramientas antifraude que utilicen el ML y la IA, y hemos hecho nuestros planes para implantar estas tecnolog¨ªas. Nuestro pr¨®ximo paso consiste en crear un sistema de toma de decisiones que utilice redes neuronales profundas de ¨²ltima generaci¨®n e inteligencia artificial generativa. Al reducir dr¨¢sticamente los tiempos de decisi¨®n, nos acercamos al objetivo de aumentar la precisi¨®n y la rapidez en la detecci¨®n de comportamientos fraudulentos de los clientes.
Este enfoque, con su capacidad de aprendizaje y adaptaci¨®n, profundiza en el historial de cada cliente y emplea diversos escenarios para identificar grupos espec¨ªficos, incluidos los defraudadores. Estas nuevas herramientas, una vez perfeccionadas, son un hallazgo verdadero para el trabajo diario del equipo antifraude.
Para las grandes empresas, son como un compa?ero fiable para las comprobaciones retrospectivas. Esto se debe a que garantizan que hemos etiquetado correctamente a todos los clientes como “buenos” o “malos”, por lo que los directivos pueden despreocuparse, sabiendo que no han pasado por alto a ning¨²n alborotador. Para las peque?as empresas, suponen un cambio radical, ya que eliminan de un plumazo la necesidad de contar con un gran equipo de analistas. Deja que la IA se encargue de las tareas manuales y observa c¨®mo se dispara la eficacia del departamento antifraude.
?Qu¨¦ formas hay de mejorar a¨²n m¨¢s la eficiencia de los procesos antifraude? Expl¨ªcanos brevemente de los planteamientos.
Cada equipo, teniendo en cuenta la orientaci¨®n de la empresa y el n¨²mero de especialistas, tiene sus propios secretos para aumentar la eficacia y resolver inteligentemente problemas complejos. Para nosotros, la cosa es automatizar los procedimientos con un enfoque DDDM, que nos permite pensar de forma innovadora. Evaluamos todos los flujos de trabajo y buscamos puntos de optimizaci¨®n. Nuestro objetivo es encontrar el proceso manual, el llamado “monkey job”, para automatizarlo.
El problema puede resolverse de distintas maneras: Dar¨¦ un par de ejemplos de nuestras operaciones de los ¨²ltimos a?os. Antes, los analistas antifraude ten¨ªan que exportar unas cuantas tablas csv para fusionarlas con el fin de entender si hab¨ªa ciertos cambios de comportamiento en las cuentas de los jugadores basados en el historial financiero y de apuestas. Nos hemos dado cuenta de que ahorraremos al menos 10-15 minutos de operaciones manuales por cada caso con s¨®lo crear un nuevo cuadro de mando predeterminado en tiempo real con las tablas din¨¢micas y los gr¨¢ficos necesarios.
Otro caso es revisar las operaciones actuales. Echemos un vistazo al proceso de confirmaci¨®n de reintegros. Con un enfoque DDDM, analizamos el peso de las pruebas en cada motivo que lleva a la confirmaci¨®n manual de la retirada. Algunos de los motivos se crearon como reacci¨®n a determinados casos de fraude para vigilar posibles fraudes de devoluci¨®n. Sin embargo, la expansi¨®n del negocio y el aumento del n¨²mero de nuevos jugadores procedentes de nuevos GEO hicieron que disminuyera el rendimiento de la regla. As¨ª que adoptamos la regla y conseguimos un aumento del 15% en la productividad del equipo en cuanto a su carga de trabajo. El punto principal aqu¨ª es realizar un an¨¢lisis continuo de las operaciones de flujo de trabajo basado en mediciones de carga y productividad para encontrar las optimizaciones combinando gesti¨®n y automatizaci¨®n.
?Qu¨¦ procesos debe establecer una empresa para integrar el modelo DDDM, cu¨¢nto tiempo puede llevar y con qu¨¦ rapidez genera ingresos?
El punto principal en relaci¨®n con DDDM es la mentalidad. Los altos directivos tienen que negar todos los argumentos basados en sentimientos, esperanzas y “experiencia”. Es decir, este tipo de enfoque solo deber¨ªa utilizarse en algunas excepciones, cuando no se dispone de datos para calcular la decisi¨®n. O cuando el problema no merezca la pena calcular los esfuerzos. Cada vez que quieras hacer cambios en tu producto, pregunta al equipo por los n¨²meros.
Un error muy com¨²n es el llamado sesgo de supervivencia. Presta atenci¨®n a que sacas conclusiones con el an¨¢lisis de extremo a extremo al ¨¢mbito relevante de las entidades. En la pr¨¢ctica, los directivos se olvidan muy a menudo de adoptar puntos de vista de helic¨®ptero sobre esta cuesti¨®n. Pondr¨¦ un ejemplo dentro de las operaciones antifraude. Un gestor vino con un an¨¢lisis retrospectivo de la actividad fraudulenta basado en el abuso de bonos de bienvenida en los ¨²ltimos 4 meses. El 83% de los usuarios ten¨ªan los mismos patrones para crear un disparador de puntuaci¨®n de alerta: primer dep¨®sito superior a 13 $, uso de tarjeta bancaria de prepago, an¨¢lisis de IP no coincidente (probablemente proxies o VPN). Tiene buena pinta, ?verdad?
Sin embargo, ped¨ª que se calculara si segu¨ªa habiendo una buena eficacia si extrapol¨¢bamos este desencadenante a todos los nuevos usuarios. Los modelos de puntuaci¨®n mostraron una eficiencia del 5%. As¨ª que alguna combinaci¨®n de atributos podr¨ªa describir perfectamente a un grupo de usuarios fraudulentos y seguir siendo com¨²n para un segmento mayor de buenos usuarios. Por cierto, a?adimos algunos patrones de estilo de juego a esos activadores de cazadores de bonificaciones de bienvenida para segregarlos de los buenos jugadores y mantener el activador en producci¨®n.
Utilizar DDDM aportar¨¢ valor desde el primer d¨ªa. Evitar¨¢ errores y aumentar¨¢ la productividad. El punto principal es pedir al equipo que muestre su n¨²mero como principal argumento sobre la decisi¨®n empresarial tomada.
Breve biograf¨ªa de Volod¨ªmir:
Volodymyr Todurov cuenta con ocho a?os de experiencia en el sector de los juegos de azar, habiendo ocupado los cargos de gestor de riesgos y jefe de antifraude y an¨¢lisis. Actualmente ocupa el cargo de director de an¨¢lisis en PIN-UP Global. Es experto en operaciones de gesti¨®n de riesgos de apuestas deportivas, 바카ë¼s, programas de afiliaci¨®n, marketing y sistemas de pago. Volodymyr est¨¢ especializado en enfoques de toma de decisiones basados en datos, modelos econ¨®micos y previsiones.
Seguimos conversando con los expertos de PIN-UP Global, as¨ª que permanezca atento a SiGMA News para saber m¨¢s sobre los motores actuales de la esfera del iGaming.
Siguiente evento SiGMA: SiGMA Asia 2024, del 2 al 5 de junio. Todos los detalles aqu¨ª.
