Categoría: Ciberseguridad y Protección de Datos

Las empresas y organizaciones utilizan cada vez más la IA para proteger a sus clientes y frustrar los esfuerzos de los estafadores en todo el mundo. La empresa de seguridad de voz Hiya descubrió que en 2023 se realizaron 550 millones de llamadas fraudulentas por semana y que INTERPOL estimó que los estafadores robaron 1 billón de dólares a las víctimas ese mismo año. En Estados Unidos, una de cada cuatro llamadas que no figuraban en listas de contactos se marcó como spam sospechoso, y los estafadores a menudo atraían a las personas hacia estafas relacionadas con Venmo o garantías extendidas. Los métodos tradicionales de detección de fraudes incluyen sistemas basados ​​en reglas, modelos estadísticos y revisiones manuales. Estos métodos han tenido dificultades para adaptarse al creciente volumen de fraudes en la era digital sin sacrificar la velocidad y la precisión. Por ejemplo, los sistemas basados ​​en reglas suelen tener altas tasas de falsos positivos, el modelado estadístico puede consumir mucho tiempo y recursos, y las revisiones manuales no pueden adaptarse con la suficiente rapidez. Además, los flujos de trabajo tradicionales de ciencia de datos carecen de la infraestructura necesaria para analizar los volúmenes de datos involucrados en la detección de fraude, lo que genera tiempos de procesamiento más lentos y limita el análisis y la detección en tiempo real. Además, los propios estafadores pueden utilizar modelos de lenguaje grandes ( LLM ) y otras herramientas de IA para engañar a las víctimas para que inviertan en estafas, entreguen sus credenciales bancarias o compren criptomonedas. Pero la IA, combinada con sistemas informáticos acelerados, puede utilizarse para verificarla y ayudar a mitigar todos estos problemas. Las empresas que integran herramientas robustas de detección de fraude mediante inteligencia artificial han visto una mejora de hasta un 40 % en la precisión de la detección de fraude , lo que ayuda a reducir el daño financiero y de reputación a las instituciones. Estas tecnologías ofrecen una infraestructura y soluciones robustas para analizar grandes cantidades de datos transaccionales y pueden reconocer de manera rápida y eficiente patrones de fraude e identificar comportamientos anormales. Las soluciones de detección de fraudes basadas en inteligencia artificial ofrecen una mayor precisión de detección al analizar el panorama general en lugar de las transacciones individuales, lo que permite detectar patrones de fraude que los métodos tradicionales podrían pasar por alto. La inteligencia artificial también puede ayudar a reducir los falsos positivos, aprovechando datos de calidad para proporcionar contexto sobre lo que constituye una transacción legítima. Y, lo que es más importante, la inteligencia artificial y la computación acelerada brindan una mejor escalabilidad, capaz de manejar redes de datos masivas para detectar fraudes en tiempo real. Cómo las instituciones financieras utilizan la IA para detectar el fraude Los servicios financieros y bancarios están en la primera línea de batalla contra el fraude, como el robo de identidad, la apropiación de cuentas, las transacciones falsas o ilegales y las estafas con cheques. Se espera que las pérdidas financieras a nivel mundial por fraudes en transacciones con tarjetas de crédito alcancen los 43 mil millones de dólares para 2026. La IA está ayudando a mejorar la seguridad y abordar el desafío de la escalada de incidentes de fraude. Los bancos y otras instituciones de servicios financieros pueden aprovechar las tecnologías de NVIDIA para combatir el fraude. Por ejemplo, el acelerador NVIDIA RAPIDS para Apache Spark permite un procesamiento de datos más rápido para manejar volúmenes masivos de datos de transacciones. Los bancos y las instituciones de servicios financieros también pueden utilizar el nuevo flujo de trabajo de inteligencia artificial de NVIDIA para la detección de fraudes ( aprovechando herramientas de inteligencia artificial como XGBoost y redes neuronales gráficas (GNN) con NVIDIA RAPIDS, NVIDIA Triton y NVIDIA Morpheus) para detectar fraudes y reducir los falsos positivos. BNY Mellon mejoró la precisión de detección de fraudes en un 20 % utilizando sistemas NVIDIA DGX . PayPal mejoró la detección de fraudes en tiempo real en un 10 % al ejecutarse con inferencia impulsada por GPU NVIDIA, al tiempo que redujo la capacidad del servidor en casi 8 veces. Y Swedbank entrenó redes generativas adversarias en GPU NVIDIA para detectar actividades sospechosas. Las agencias federales de EE. UU. luchan contra el fraude con inteligencia artificial La Oficina de Responsabilidad Gubernamental de los Estados Unidos estima que el gobierno pierde hasta 521 mil millones de dólares anualmente debido al fraude, basándose en un análisis de los años fiscales 2018 a 2022. El fraude fiscal, el fraude con cheques y los pagos indebidos a contratistas, además de los pagos indebidos bajo los programas de Seguridad Social y Medicare, se han convertido en un enorme lastre para las finanzas del gobierno. Si bien parte de este fraude se vio incrementado por la reciente pandemia, encontrar nuevas formas de combatirlo se ha convertido en un imperativo estratégico. Por ello, las agencias federales han recurrido a la inteligencia artificial y a la informática acelerada para mejorar la detección del fraude y prevenir los pagos indebidos. Por ejemplo, el Departamento del Tesoro de Estados Unidos comenzó a utilizar el aprendizaje automático a fines de 2022 para analizar su gran cantidad de datos y mitigar el fraude con cheques. El departamento estimó que la IA ayudó a los funcionarios a prevenir o recuperar más de 4 mil millones de dólares en fraudes en el año fiscal 2024. Junto con el Departamento del Tesoro, agencias como el Servicio de Impuestos Internos han recurrido a la IA y al aprendizaje automático para cerrar la brecha fiscal (incluido el fraude fiscal), que se estimó en 606 mil millones de dólares en el año fiscal 2022. El IRS ha explorado el uso de los marcos de ciencia de datos acelerados de NVIDIA, como RAPIDS y Morpheus, para identificar patrones anómalos en los registros de los contribuyentes, el acceso a los datos y las vulnerabilidades y exposiciones comunes. También se han utilizado LLM combinados con generación aumentada por recuperación y RAPIDS para resaltar los registros que pueden no estar en consonancia con las políticas. Cómo la IA puede ayudar a la atención sanitaria a frenar posibles fraudes Según el Departamento de Justicia de Estados Unidos , el fraude, el despilfarro y el abuso en el ámbito

A medida que las empresas invierten en IA, la interconexión con ecosistemas clave, incluidos los ecosistemas de IA emergentes, ofrece un valor significativo La IA está ayudando a la humanidad a afrontar todo tipo de problemas del mundo real, desde la detección de fraudes hasta la optimización del servicio al cliente y la investigación y el tratamiento de la atención sanitaria. Está revolucionando el diagnóstico y el tratamiento de enfermedades como el cáncer al mejorar la detección del cáncer, el desarrollo de fármacos y la personalización de la atención, al tiempo que acelera la investigación médica. La infraestructura de TI es el núcleo de este trabajo. Por ejemplo, la IA requiere una importante capacidad de procesamiento para analizar enormes volúmenes de datos de numerosos sistemas hospitalarios e instituciones de atención médica. Los numerosos participantes del ecosistema de atención médica necesitan formas de integrar e intercambiar de forma segura todos estos datos. Y el cumplimiento de los requisitos regulatorios y de privacidad para los datos de salud confidenciales es crucial. Muchas organizaciones de diferentes sectores enfrentan desafíos similares con la IA. A medida que continúa el auge de la IA y las organizaciones exploran nuevas posibilidades para implementar soluciones de IA que generen valor comercial, se están dando cuenta de la necesidad de una infraestructura de IA escalable y resistente que pueda prepararlas para un futuro impredecible. Los centros de datos locales tradicionales no fueron diseñados para la IA y, por lo general, no están equipados para satisfacer sus demandas. Como resultado, tanto las empresas como los proveedores de servicios están examinando el potencial de los centros de datos de alto rendimiento para ayudarlos a dar el siguiente paso en su viaje hacia la IA. Para construir una base sólida para la IA, es fundamental estar en el tipo de centro de datos adecuado para sus cargas de trabajo de IA, ya sea que esté entrenando un modelo de IA, implementándolo para inferencia en el borde o respaldando el movimiento de datos durante todo el ciclo de vida de la IA. Los centros de datos de hiperescala, de coubicación y de borde desempeñan funciones importantes, según sus requisitos específicos. Un centro de datos preparado para IA proporciona la infraestructura para respaldar cargas de trabajo de IA de alta densidad y alto consumo de energía, incluidos equipos de red de alto rendimiento para la conectividad con nubes, proveedores de servicios y el resto de su ecosistema de IA. Sin embargo, la interconexión es un elemento que a menudo se pasa por alto en las soluciones de IA. La IA requiere que se transfieran cantidades masivas de datos hacia y desde las aplicaciones rápidamente. Puede tener el mejor hardware de IA del mercado, pero para usarlo de manera efectiva, debe poder transferir datos de forma segura entre entornos a gran velocidad. Por lo tanto, la interconexión (el intercambio directo y privado de datos entre empresas) es un factor fundamental para el éxito de la IA. Por qué la interconexión es importante para la IA La interconexión puede abordar muchos de los problemas que las organizaciones intentan resolver en torno al intercambio de datos de IA: Casi todas las organizaciones operan actualmente en una arquitectura híbrida de múltiples nubes, donde los datos se generan y almacenan en ubicaciones dispersas. Tener una conectividad eficaz en estas arquitecturas complejas y globales es fundamental para las iniciativas de IA, dados los volúmenes de datos distribuidos que se necesitan para la IA. A medida que los ecosistemas y las herramientas de IA crecen, el papel de los socios se ha vuelto aún más vital. Nadie puede tener éxito con la IA solo, y las asociaciones ofrecen importantes ventajas. La interconexión permite el intercambio seguro y privado de datos entre socios. Para muchas empresas, este intercambio de datos que es tan fundamental para la IA incluye al menos algunos datos confidenciales o de propiedad exclusiva. Cuando las empresas adquieren un modelo de IA de una nube pública o de un mercado de modelos de IA, por ejemplo, a menudo necesitan utilizar datos de propiedad exclusiva para que el modelo sea más relevante para su negocio. Por lo tanto, cada vez más organizaciones están explorando arquitecturas de IA privadas para abordar esta necesidad. Si bien se puede utilizar Internet público para las redes de IA, para muchas empresas, no ofrece la seguridad, la privacidad y el control que necesitan sobre sus datos, ni el rendimiento constante que exigen sus soluciones de IA. La interconexión privada, por otro lado, permite intercambiar datos de forma segura y proporciona el rendimiento confiable y constante necesario para un proyecto de IA privado. Desglosando los requisitos de interconexión de la IA Los requisitos de red difieren para cada tipo de carga de trabajo de IA, y la interconexión puede desempeñar un papel a la hora de satisfacer estos requisitos de conectividad de forma segura y rentable. Entrenamiento de modelos de IA Si está desarrollando un modelo, necesita extraer datos de muchas fuentes para entrenarlo, incluidas nubes, almacenamiento privado y mercados de datos. La transferencia de grandes conjuntos de datos requiere un ancho de banda significativo, así como conexiones seguras entre esas fuentes de datos y el entorno de entrenamiento. Para el entrenamiento, también necesita una red global porque los datos necesarios probablemente se encuentren en todo el mundo. Un servicio de interconexión disponible a nivel mundial conecta a los principales proveedores de servicios para un intercambio de datos seguro y privado que acelera las iniciativas de IA. Las soluciones de interconexión virtual ofrecen la agilidad para escalar hacia arriba y hacia abajo fácilmente cuando lo necesite, de modo que no tenga que invertir en infraestructura de red que no necesitará más adelante. Inferencia de IA Cuando se implementa un modelo para inferencia, los datos fluyen continuamente hacia dentro y hacia fuera del modelo de IA. Las consultas llegan desde los usuarios a su modelo de inferencia y luego vuelven al usuario. Esto requiere acceso en tiempo real a los datos más recientes y el intercambio de datos debe realizarse con una latencia ultrabaja para