NEXTGEN AML: ECOSISTEMA ADVERSARIAL DE IA PARA LA DETECCIÓN Y ANTICIPACIÓN DEL BLANQUEO DE CAPITALES CON GNNS Y REINFORCEMENT LEARNING

Abstract

El blanqueo de capitales constituye uno de los grandes retos de la industria financiera, y su prevención se enfrenta a una limitación clara: los sistemas antiblanqueo tradicionales, basados en reglas rígidas, son fundamentalmente reactivos. Y es que estos sistemas se limitan a reconocer patrones ya conocidos y generan, además, una enorme cantidad de falsas alarmas que saturan a los equipos de cumplimiento, mientras que las organizaciones criminales evolucionan de forma constante y van siempre un paso por delante. De esta problemática surge la pregunta que motiva el presente trabajo: si, en lugar de esperar a reconocer el fraude, fuera posible anticiparse a él.

Con ese propósito, este Trabajo Fin de Máster propone NextGen AML, un ecosistema adversarial de inteligencia artificial orientado no solo a detectar, sino sobre todo a anticipar el blanqueo de capitales. La propuesta se articula en torno a tres componentes que interactúan entre sí. El primero es un agente atacante que, mediante aprendizaje por refuerzo (Reinforcement Learning), aprende a generar y camuflar distintas tipologías de blanqueo. El segundo es un agente defensor que, combinando redes neuronales de grafos (GNNs) y Transformers, detecta las operaciones sospechosas atendiendo tanto a la estructura de la red como al ritmo temporal de las transacciones. Y el tercero es un entorno de simulación, denominado Financial Sandbox, que genera el escenario financiero sintético sobre el que ambos agentes operan. La clave del planteamiento reside en que estos dos agentes coevolucionan, es decir, mejoran enfrentándose el uno al otro, de manera que el defensor aprende a reconocer amenazas cada vez más sofisticadas a medida que el atacante perfecciona sus estrategias.

Además de su desarrollo conceptual, la propuesta se acompaña de una prueba de concepto funcional, implementada en Google Colab, que traslada esta propuesta a código y la pone a funcionar de principio a fin. En ella, el Financial Sandbox genera un sistema financiero sintético con sus clientes, entidades y transacciones; el agente atacante introduce sobre él la actividad ilícita; y el agente defensor trata de detectarla, todo ello culminando en un proceso de coevolución entre ambos. Los resultados obtenidos muestran que las distintas tecnologías funcionan y, sobre todo, que interactúan de forma coherente, dando lugar a una dinámica de mejora mutua que reproduce de manera realista la tensión entre quien blanquea y quien detecta.

Conviene precisar, no obstante, el alcance del trabajo. NextGen AML no constituye una solución lista para desplegarse en una entidad real, sino una propuesta conceptual respaldada por una prueba de concepto de pequeña escala, construida sobre datos sintéticos. Su valor, por tanto, no reside en ofrecer un producto terminado, sino en demostrar de forma honesta que el enfoque es viable y en abrir un camino sobre el que seguir desarrollando esta idea. En esta línea, el trabajo proyecta también su evolución futura hacia el paradigma del Compliance-as-Code y hacia un escalado con datos reales. En definitiva, este trabajo plantea un cambio de perspectiva en la prevención del blanqueo de capitales: el paso de una defensa que reacciona a una defensa que se anticipa. En una era en la que la tecnología, y con ella la inteligencia artificial, evoluciona a un ritmo cada vez mayor, y en la que también lo hacen los métodos empleados por los delincuentes, la mejor forma de no ir por detrás es aprender a adelantarse.

Money laundering is one of the major challenges facing the financial industry, and its prevention comes up against a clear limitation: traditional anti-money laundering systems, based on rigid rules, are fundamentally reactive. And the fact is that these systems merely recognise already known patterns and, moreover, generate a huge number of false alarms that overwhelm compliance teams, while criminal organisations evolve constantly and are always one step ahead. From this problem arises the question that motivates this work: whether, instead of waiting to recognise fraud, it might be possible to anticipate it.

With that aim, this Master's Thesis proposes NextGen AML, an adversarial artificial intelligence ecosystem geared not only towards detecting money laundering, but above all towards anticipating it. The proposal is built around three components that interact with one another. The first is an attacker agent that, through Reinforcement Learning, learns to generate and disguise different money laundering typologies. The second is a defender agent that, combining Graph Neural Networks (GNNs) and Transformers, detects suspicious operations by taking into account both the structure of the network and the temporal rhythm of the transactions. And the third is a simulation environment, called the Financial Sandbox, which generates the synthetic financial scenario on which both agents operate. The key to the approach lies in the fact that these two agents coevolve, that is, they improve by confronting each other, so that the defender learns to recognise increasingly sophisticated threats as the attacker refines its strategies.

In addition to its conceptual development, the proposal is accompanied by a functional proof of concept, implemented in Google Colab, which translates this proposal into code and puts it to work from start to finish. In it, the Financial Sandbox generates a synthetic financial system with its clients, entities and transactions; the attacker agent introduces the illicit activity into it; and the defender agent tries to detect it, all of this culminating in a process of coevolution between the two. The results obtained show that the different technologies work and, above all, that they interact coherently, giving rise to a dynamic of mutual improvement that realistically reproduces the tension between the one who launders and the one who detects.

It is worth clarifying, however, the scope of the work. NextGen AML is not a solution ready to be deployed in a real institution, but rather a conceptual proposal backed by a small-scale proof of concept, built on synthetic data. Its value, therefore, does not lie in offering a finished product, but in honestly demonstrating that the approach is viable and in opening up a path along which to keep developing this idea. Along these lines, the work also projects its future evolution towards the Compliance-as-Code paradigm and towards scaling up with real data.

In short, this work puts forward a change of perspective in the prevention of money laundering: the shift from a defence that reacts to a defence that anticipates. In an era in which technology, and with it artificial intelligence, is evolving at an ever-increasing pace, and in which the methods used by criminals are evolving too, the best way not to fall behind is to learn to get ahead.