Resumen Ejecutivo
Morris & Opazo, partner estratégico de AWS, ha completado un proyecto exitoso con la fintech colombiana Approbe para implementar un motor antifraude transaccional. El objetivo principal de este proyecto era disminuir en un 80% los fraudes no detectados en un conjunto de 500 casos reales. La solución, que se apoya en modelos de Machine Learning y servicios nativos de AWS, no solo alcanzó el objetivo, sino que lo superó. Este caso de éxito se enmarca dentro de las industrias de Servicios Financieros, demostrando la capacidad de la tecnología para generar un impacto tangible y medible.
El cofundador y CEO de Approbe, Kenny Silva, ha descrito la experiencia de trabajar con Morris & Opazo como «trabajar con una mano amiga», destacando la forma en que el equipo de M&O enseñó y ayudó a implementar la solución. Este caso de éxito no solo demuestra la experiencia técnica de Morris & Opazo en la nube de AWS, sino también su modelo 360° de acompañamiento, que va desde la estrategia hasta la ejecución y la transferencia de conocimiento. La colaboración es un testimonio del poder de la IA y la analítica para transformar procesos de negocio en la industria financiera.
El Problema
El desafío de Approbe, una empresa que ofrece infraestructura tecnológica para que otras compañías puedan otorgar créditos de consumo, era la baja precisión en la detección de fraudes. A pesar de tramitar más de 50.000 operaciones de crédito mensualmente, las herramientas existentes solo lograban detectar el 70% de las intenciones de fraude, lo que representaba un riesgo significativo para la operación. Ante esta problemática, era crucial encontrar una solución que mejorara la precisión, permitiera un crecimiento seguro y fuera escalable para el mercado latinoamericano.
La solución
Morris & Opazo, con su profunda experiencia en soluciones en la nube, diseñó una arquitectura de vanguardia utilizando servicios de AWS para construir el motor antifraude. La solución incluyó el entrenamiento y validación de modelos de Machine Learning, la implementación de un proceso de CI/CD para el modelo y su despliegue en AWS Lambda, así como el uso de infraestructura como código. Esta infraestructura robusta y la capacidad de integrar el modelo con la lógica de negocio de Approbe fueron clave para el éxito.
Resultados tangibles
- La implementación de la solución de Morris & Opazo generó un impacto directo y medible en el negocio de Approbe:
- La precisión en la detección de fraude aumentó del 70% al 90% y, en el último mes, alcanzó el 95%.
- La latencia de detección se redujo drásticamente a solo 13 milisegundos.
- El nuevo sistema permite a Approbe aprobar créditos a más personas y con mayor seguridad, mejorando la experiencia del cliente final.
- El equipo de Approbe adquirió las habilidades técnicas necesarias para continuar desarrollando y mejorando sus propios modelos de machine learning.
Servicios de AWS Utilizados
- Amazon SageMaker: Para el entrenamiento y pronóstico de los modelos de machine learning, permitiendo una mejora constante en los patrones de detección de fraude.
- AWS Lambda: Para el despliegue del modelo con un enfoque sin servidor (serverless) y de bajo costo.
- Infraestructura como código: Utilizando servicios nativos de AWS para automatizar la provisión de recursos.