Mitigación de delitos financieros con MongoDB Atlas

Motor de monitoreo de transacciones y puntuación de riesgos

Propósito: Detección de patrones de fraude semántico con búsqueda vectorial

• Utilice MongoDB Atlas Vector Search para identificar transacciones que se comportan como patrones de fraude conocidos, incluso cuando no coinciden con una regla explícita.

• Generar incrustaciones a partir de los aspectos cualitativos y comportamentales de cada transacción, tales como:

  • Categoría y descripción del comerciante

  • Huellas digitales de canales y dispositivos

  • Rangos de IP e información de ASN

  • Patrones temporales, como secuencias de horas del día o comportamiento de la sesión

  • Campos narrativos o notas de texto libre, si corresponde

• Almacene estas incrustaciones de 1536dimensiones en los mismos documentos de transacción que contienen sus datos operativos.

• Mantenga las funcionalidades numéricas significativas, como el monto bruto, los cambios de saldo y los contadores de velocidad simples, fuera de las incrustaciones y evalúelos con modelos basados en reglas o modelos de scorecard. Esta separación le permite:

  • Utilice la búsqueda vectorial para descubrir comportamientos semánticamente similares que crucen umbrales o reglas simples.

  • Utilice reglas deterministas y modelos de riesgo para aplicar límites numéricos y restricciones regulatorias.

• Al analizar una nueva transacción, genere una incrustación y consulte MongoDB Atlas con $vectorSearch.

  • El sistema devuelve transacciones semánticamente similares, incluidas aquellas que evaden reglas estáticas pero que se parecen a fraudes anteriores en su comportamiento.

  • Combine puntuaciones de similitud vectorial con puntuaciones de riesgo numérico para crear un proceso de toma de decisiones de riesgo unificado.

Gestión de modelos de riesgo

Propósito: Inteligencia de riesgos en tiempo real con flujos de cambio

Utilice los flujos de cambios de MongoDB para recibir notificaciones instantáneas cuando se modifiquen los modelos de riesgo, las reglas de cumplimiento o las listas de vigilancia. Transmita las actualizaciones directamente a sus servicios de detección de fraude y gestión de casos en lugar de sondear o depender de la invalidación de caché ad hoc.

Cuando los analistas activan un nuevo modelo de riesgo, todos los motores de análisis de transacciones reciben el cambio en cuestión de milisegundos y aplican las reglas actualizadas al tráfico entrante. Esto elimina los retrasos en los lotes que permiten que las transacciones fraudulentas se procesen antes de ser detectadas.

Abra un cursor de flujo de cambios en sus modelos de riesgo o colecciones de configuración, y MongoDB enviará cada operación de inserción, actualización o reemplazo a su aplicación. Use tokens de reanudación para reiniciar el procesamiento desde el punto exacto de la interrupción tras reinicios del servicio o fallos de red, para no perderse ninguna actualización.

haga clic para ampliar

Figura 2. Proceso de detección de fraude en tiempo real con flujos de cambio, búsqueda vectorial y modelos de riesgo.

Incorporación de entidades y gestión de casos

Este módulo tiene dos propósitos principales:

Objetivo: Resolución de entidades impulsada por IA con búsqueda híbrida

Utilice el operador $rankFusion de MongoDB para combinar múltiples estrategias de búsqueda durante la incorporación o la investigación de entidades. Ejecute la Búsqueda Atlas para la coincidencia de texto difuso y la Búsqueda Vectorial Atlas para la similitud semántica en paralelo. $rankFusion fusiona los conjuntos de resultados y clasifica las entidades según la relevancia combinada de la similitud textual y las incrustaciones.

Para los mejores candidatos, recorra las redes de relaciones y transacciones usando $graphLookup. MongoDB devuelve el contexto de la red, incluyendo conexiones de entidades, patrones de transacciones, identificadores compartidos e indicadores de riesgo, en una única canalización de agregación. Esto evita consultar múltiples sistemas o realizar uniones costosas.

Incorpore datos de entidades, resultados de búsqueda y análisis de red a un LLM como AWS Bedrock Claude‑3 Sonnet para la clasificación de riesgos asistida por IA. El modelo evalúa indicadores de cumplimiento, patrones de relación, indicadores de comportamiento y coincidencias con listas de vigilancia para generar evaluaciones de riesgos con puntuaciones de confianza y acciones recomendadas.

Cree documentos de casos automáticamente en MongoDB con resúmenes de investigación generados por LLM. Esto reduce la redacción manual de informes y mejora la consistencia de la documentación de cumplimiento.

Propósito: Descubrimiento de red con recorrido de gráficos

Los investigadores a menudo necesitan rastrear redes de lavado de dinero y conexiones ocultas entre entidades. Utilice la etapa de agregación $graphLookup de MongoDB para realizar este análisis de red directamente en su base de datos operativa, sin necesidad de un almacén de grafos independiente.

• Comience con una entidad sospechosa y explore recursivamente las relaciones a través de socios comerciales, direcciones compartidas, contrapartes de transacciones o estructuras corporativas. Cada exploración devuelve documentos completos de la entidad con análisis de comportamiento integrado, puntuaciones de riesgo e indicadores de cumplimiento.

• Filtrar relaciones por puntuación de confianza, tipo de relación o umbrales de riesgo durante el recorrido.

• Descubra redes a través de múltiples saltos en milisegundos, luego combine los resultados de los gráficos con operaciones de agregación estándar, como filtrado, clasificación y agrupación.

// Multi-hop relationship traversal with MongoDB $graphLookup
db.entities.aggregate([
   {
      $match: { entityId: 'ENT_12345' },
   },
   {
      $graphLookup: {
         from: 'entity_relationships',
         startWith: '$entityId',
         connectFromField: 'target_entity_id',
         connectToField: 'source_entity_id',
         as: 'relationship_network',
         maxDepth: 2,
         restrictSearchWithMatch: {
            confidence_score: { $gte: 0.7 },
            relationship_type: {
               $in: [
                  'BUSINESS_ASSOCIATE',
                  'SHARED_ADDRESS',
                  'TRANSACTION_COUNTERPARTY',
               ],
            },
         },
      },
   },
   {
      $lookup: {
         from: 'entities',
         localField: 'relationship_network.target_entity_id',
         foreignField: 'entityId',
         as: 'connected_entities',
      },
   },
   {
      $project: {
         entityId: 1,
         name: 1,
         riskAssessment: 1,
         networkDepth: { $size: '$relationship_network' },
         connectedEntities: {
            $map: {
               input: '$connected_entities',
               as: 'entity',
               in: {
                  id: '$$entity.entityId',
                  name: '$$entity.name.full',
                  riskLevel: '$$entity.riskAssessment.level',
               },
            },
         },
      },
   },
]);

haga clic para ampliar

Figura 3. Resolución de entidades con MongoDB Search y $graphLookup y gestión de casos con LLM.

Relaciones entre colecciones

El diseño modela las relaciones a través de una combinación de referencias integradas y una colección relationships dedicada:

• Los documentos de entidad pueden incorporar referencias a entidades relacionadas en matrices connected_entities.

• Los documentos de transacción almacenan customer_id campos que se vinculan a entidades.

• La colección entity_relationships almacena relaciones explícitas con puntuaciones de confianza, tipos de relaciones y registros de auditoría.

Este patrón permite un recorrido gráfico eficiente con $graphLookup y al mismo tiempo mantiene el esquema flexible a medida que surgen nuevos tipos de relaciones.

Estrategia de indexación para el rendimiento

Usa los índices de búsqueda de Atlas para soportar la resolución de entidades y los flujos de trabajo investigativos:

• Configure el autocompletado en name.full con n-gramas de borde (2–15 caracteres) para sugerencias de nombres en tiempo real.

• Configure las facetas de cadena en entityType, nationality, residency y riskAssessment.overall.level para filtrar los resultados de búsqueda.

Utilice los índices de Búsqueda Vectorial de Atlas en los campos de incrustación para habilitar la coincidencia por similitud semántica configurando la similitud de coseno con vectores de dimensión 1536para la coincidencia de entidades y patrones de comportamiento. Puede crear incrustaciones independientes para datos de identificadores y patrones de comportamiento para casos de uso específicos.

Utilice índices estándar para cargas de trabajo operativas:

• Utilice índices de campo único en entityId, customer_id y timestamp para búsquedas y consultas de rango.

• Utilice índices 2dsphere en las coordenadas de ubicación para las reglas de fraude basadas en radio.

• Utilice índices compuestos sobre el nivel de riesgo y el tipo de entidad para los filtros de investigación comunes.

Documento de ejemplo

{
   "_id": ObjectId("674a83b654c7f1b869cb1c2"),
   "customer_id": "CUST_67890",
   "transaction_id": "TXN_54321",
   "timestamp": ISODate("2024-11-15T14:22:36Z"),
   "amount": 2500.75,
   "currency": "USD",
   "merchant": {
      "name": "Global Electronics",
      "category": "electronics",
      "id": "MERCH_123"
   },
   "location": {
      "city": "San Francisco",
      "state": "California",
      "country": "US",
      "coordinates": {
         "type": "Point",
         "coordinates": [
            -122.4194,
            37.7749
         ]
      }
   },
   "device_info": {
      "device_id": "device_abc123",
      "type": "desktop",
      "os": "macOS",
      "browser": "Chrome",
      "ip": "203.0.113.45"
   },
   "transaction_type": "purchase",
   "payment_method": "credit_card",
   "status": "completed",
   "risk_assessment": {
      "score": 78.5,
      "level": "high",
      "flags": [
         "unusual_amount",
         "unexpected_location",
         "velocity_alert"
      ],
      "transaction_type": "suspicious",
      "diagnostics": {
         "customer_base_risk": 35.0,
         "transaction_factors": {
            "amount": 85.0,
            "location": 90.0,
            "device": 0,
            "velocity": 75.0,
            "pattern": 60.0
         }
      }
   },
   "vector_embedding": [
      0.234,
      -0.567,
      0.890, ...
   ]
}