Inteligencia Artificial (IA): Retornando el fraude a su caja de Pandora*

Escrito por Eduardo Xamena, Alejandro Minatta y Marcello Basani

En Ecuador cada día miles de metros cúbicos de agua se pierden por fraude, como consecuencia de instalaciones irregulares. Ello provoca un gran deterioro económico por la imposibilidad de que los prestadores de servicios de agua y saneamiento (AyS) cobren dicho caudal y, por ende, repercute en un peor servicio en la gestión hídrica. Por ello, es de vital importanciala detección y corrección temprana de la mayor cantidad de fraudes, como los casos de conexiones clandestinas, desconexiones o medidores alterados.

Según elíndice Latinoamericano de inteligencia artificial (IA), Ecuador se ubica en el puesto número 10 en la región, por sus factores habilitantes (infraestructura, disponibilidad de datos, desarrollo de talento humano), la investigación y desarrollo, así como también su gobernanza (visión e institucionalidad, internacionalización y regulación). Por ejemplo, cuenta con desarrollos utilizando inteligencia artificial (IA) en educación (Talov Studio).

El sector de AyS en América Latina y el Caribe (ALC) está incluido dentro de los avances en IA, tal como mencionamos enel blog previo: ¿Tienes sed de soluciones innovadoras? La inteligencia artificial transforma el sector de agua y saneamiento. El procesamiento de grandes volúmenes de datos del comportamiento de usuarios en el tiempo puede ser de enorme utilidad para detectar fraudes.

En general, el aprendizaje automatizado (Machine Learning) permite detectar patrones de comportamiento en series de consumo, usando también datos del perfil general de cada usuario. Se busca caracterizar e identificar los casos de fraude, muy difíciles de detectar por simple observación de los datos.

Una buena práctica: El caso de la EPMAPS

La Empresa Pública Metropolitana de Agua Potable y Saneamiento de Quito (EPMAPS) en Ecuador hace uso de dichas tecnologías en sus procesos para la detección precisa de casos de fraude (pérdidas no técnicas), basándose en los perfiles de consumo de agua de sus clientes.

Las fases principales en el proceso de implementación son:

1. Entendimiento de los datos: dado que hay diversos estándares y formatos para el almacenamiento de los datos de consumo de clientes, se identifican aquellos disponibles, se los analiza estadísticamente y se los transforma para su posterior utilización.

El prestador de servicios de AyS puede, por ejemplo, disponer de datos tomados mensualmente de forma manual y/o disponer de medidores automáticos (Smart Meters) conectados a una nube vía Internet de las Cosas, lo que permite el acceso a datos con una frecuencia mayor a la mensual.

1. Desarrollo y evaluación: con los datos disponibles en el formato correcto, se lleva a cabo entrenamientos y evaluaciones de distintos modelos de aprendizaje automatizado (Machine Learning).

Es posible probar, por ejemplo, modelos simples como la identificación de valores constantes consecutivos o bajas abruptas en los valores de la serie de consumos por período o también otros más complejos como Support Vector Machines (SVM) hasta Redes Neuronales Recurrentes (RNN-LSTM). Entre ellos, se opta por aquel que brinda mejores valores de performance a partir de comparar con gráficas y/o métricas sensibles al desbalance (aproximadamente entre 1% y 5% del total de perfiles resultan fraudulentos).

1. Puesta en producción: la prueba final está dada por las salidas a campo.

Los equipos de inspección llevarán a cabo su tarea habitual, pero ahora munidos de un reporte de instalaciones con alto índice de riesgo.

El resultado final es la diferencia de rendimiento de las inspecciones respecto a períodos anteriores.

Luego de las fases de exploración y desarrollo, EPMAPS incorporó un modelo de detección de pérdidas no técnicas con el apoyo del BID. Al mes siguiente a la emisión del primer reporte de índices de riesgo, se logró un 20% de aumento en la proporción de multas aplicadas respecto a las inspecciones realizadas.

Con ello, se espera un ingreso adicional y se estima que se han recuperado cientos de metros cúbicos mensuales de agua potable, al restablecer las situaciones irregulares detectadas. Además, dicha gestión contribuye a inhibir prácticas deshonestas por parte de los usuarios.

En el futuro cercano se espera continuar con distintas campañas de capacitación al personal en el uso de la herramienta de Machine Learning desarrollada. También, para facilitar una evolución correcta del circuito, se espera incluir más fuentes de datos que permitan tener un mayor cubrimiento de los casos existentes de fraude. Otro de los objetivos que se espera cumplir es el desarrollo de una interfaz de usuario que permita un mejor manejo de los modelos por parte de la compañía.

* Se dice que, en la mitología griega, Ápate era una divinidad que personificaba al fraude y fue uno de los espíritus que salió de la Caja de Pandora. Por lo que podríamos decir entonces que hoy, con el apoyo del aprendizaje automatizado (Machine Learning) y la inteligencia artificial (IA) hacemos que el fraude en el sector de AyS en ALC regrese a su caja de Pandora, de donde no debió haber salido jamás.

Sobre Fuente de Innovación

Fuente de Innovación es financiado por el Gobierno de Suiza a través de su Secretaría de Estado de Asuntos Económicos (SECO), por la Fundación FEMSA, por la República de Corea a través de su Ministerio de Medio Ambiente, el Gobierno de España a través del Ministerio de Economía, Comercio y Empresa (MINECO), por el Gobierno de Israel, y por Fundación Coca Cola. La alianza también se complementa con contribuciones directas de BID Lab y la División de Agua y Saneamiento del BID, y se coordina directamente con Aquafund, el fondo creado con capital del BID y al que contribuyen una amplia gama de socios del sector público y privado.

Autores externos

Eduardo Xamena (PhD) Argentino. Científico de Datos y Machine Learning Engineer. Actualmente trabaja en proyectos relacionados a Detección de Fraude y a Estimación del Impacto de características de productos en la apreciación de los usuarios (Net Promoter Score, NPS). Previamente Investigador Científico del Instituto de Investigación en Cs. Sociales y Humanidades - Consejo Nacional de Ciencia y Técnica (ICSOH - CONICET) y Docente de la Universidad Nacional de Salta, Salta, Argentina.

Alejandro Minatta (MBA) es uruguayo. Es consultor en diseño, ejecución y evaluación de mecanismos de promoción del desarrollo. Desde hace 25 años se especializa en Innovación. Entre otras oportunidades, se destacan la Estrategia Nacional de Emprendimiento e Innovación de Ecuador, la Política de Ciencia Tecnología e Innovación de Paraguay, la gestación del Ecosistema Emprendedor de Uruguay, el apoyo a múltiples empresas de la región y diversas publicaciones en gestión de innovación. Es director de la consultora Catalizinn®, creadora de la metodología de Gestión de Innovación Corporativa EMOSI®.

Public link

Please use the above public link if you want to share this noodl on another website.