GFT impulsa los Transaction Foundation Models para crear una capa de inteligencia en banca
- Tecnologías
Estos modelos permiten reutilizar el conocimiento de pagos, transferencias y comportamiento del cliente en múltiples procesos críticos, ayudando a las entidades financieras a aplicar IA sobre su histórico transaccional. En una prueba de concepto, la precisión en la detección de fraude aumentó un 40%.
GFT ha comenzado a desplegar Transaction Foundation Models (TFM) en entidades financieras españolas, con el objetivo de transformar el dato transaccional en una capa común de inteligencia reutilizable.
Estos modelos se entrenan con el histórico propio del banco para identificar patrones de comportamiento y relaciones entre operaciones, de modo que pagos, transferencias, contrataciones y actividad del cliente dejen de alimentar modelos aislados y pasen a servir simultáneamente a áreas como fraude, riesgo de crédito, cumplimiento, pagos, personalización o gestión de mora.
Una capa común de inteligencia para procesos críticos
El enfoque responde a uno de los grandes retos actuales del sector: la proliferación de modelos de IA independientes para cada problema de negocio, lo que genera duplicidades, mayores costes, infraestructuras redundantes y equipos trabajando en silos.
Además, el Financial Stability Board ha reforzado recientemente la necesidad de desplegar IA con gobierno, supervisión humana y control sobre la soberanía del dato, un aspecto que los TFM abordan al entrenarse dentro del perímetro de la entidad y sobre datos propios.
Según una prueba de concepto realizada por GFT con un dataset específico, la mejora más relevante se observó en la precisión del modelo de fraude, con un incremento del 40% en la capacidad de identificar correctamente alertas reales.
La compañía destaca que esta capa común de inteligencia acelera el lanzamiento de nuevos casos de uso, reduce costes, mejora la personalización y crea una ventaja competitiva basada en datos que ningún competidor puede replicar.
“Los Transaction Foundation Models permiten que las entidades financieras dejen de abordar la IA como una suma de modelos aislados y empiecen a construir una capa común de inteligencia basada en su propio negocio”, afirma Ignasi Barri, director ejecutivo global de IA y Datos de GFT Technologies. Y añade: “El valor está en aprovechar el histórico transaccional con control, gobierno y orientación a casos de uso concretos. Cuando esa inteligencia se entrena dentro del perímetro de la entidad, ayuda además a reducir dependencias, reforzar la soberanía del dato y responder mejor a las exigencias de gobierno que acompañan a la adopción de IA en banca”.
