Mitigación de delitos financieros con MongoDB Atlas

Motor de supervisión de transacciones y puntuación de riesgos

Propósito: Detección de patrones de fraude semántico con búsqueda vectorial

• Utiliza MongoDB Atlas búsqueda vectorial para identificar transacciones que se comportan como patrones de fraude conocidos, incluso cuando no coincidan con una regla explícita.

• Genera incrustaciones a partir de los aspectos cualitativos y conductuales de cada transacción, como:

  • Categoría de comerciante y descripción

  • Huellas digitales de canales y dispositivos

  • Rangos de IP e información de ASN

  • Patrones temporales, como secuencias de hora del día o comportamiento en 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:

  • Use la búsqueda vectorial para mostrar comportamientos semánticamente similares que cruzan simples umbrales o reglas.

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

• Al examinar una nueva transacción, genera un embedding y query MongoDB Atlas con $vectorSearch.

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

  • Combine las puntuaciones de similitud vectorial con las puntuaciones de riesgo numéricas para crear una pipeline unificada de decisiones de riesgo.

Gestión del modelo de riesgo

Propósito: Inteligencia de Riesgo en Tiempo Real con Change Streams

Utiliza los flujos de cambio de MongoDB para recibir notificaciones instantáneas cuando se modifiquen modelos de riesgo, reglas de cumplimiento o listas de seguimiento. Transmite actualizaciones directamente a tus servicios de detección de fraude y gestión de casos en lugar de realizar sondeos o depender de invalidaciones de caché ad hoc.

Cuando los analistas activan un nuevo modelo de riesgo, todos los motores de filtrado de transacciones reciben el cambio en cuestión de milisegundos y aplican las reglas actualizadas al tráfico entrante. Esto remueve las demoras de agrupación que permiten que las transacciones fraudulentas pasen antes de ser detectadas.

Abrir un cursor de flujo de cambios en los modelos de riesgo o colecciones de configuración, y MongoDB envía cada operación de inserción, actualización o reemplazo a la aplicación. Utilizar tokens de reanudación para reanudar el procesamiento desde el punto exacto de interrupción después de reinicios de servicio o fallas de red, asegurando que no se pierda ninguna actualización.

haga clic para ampliar

Figura 2. pipeline de detección de fraude en tiempo real con Streams de Cambio, Búsqueda Vectorial y Modelos de Riesgo

Incorporación de entidades y gestión de casos

Este módulo tiene dos propósitos principales:

Propósito: Resolución de entidades impulsada por IA con búsqueda híbrida

Utilizar el operador $rankFusion de MongoDB para combinar múltiples estrategias de búsqueda durante la incorporación o investigación de entidades. Ejecutar Atlas Search para la coincidencia de texto aproximada y Atlas Vector Search para la similitud semántica en paralelo. $rankFusion fusiona los sets de resultados y clasifica las entidades por relevancia combinada basada en la similitud del texto y las incrustaciones.

Para los principales candidatos, recorra las redes de relaciones y transacciones usando $graphLookup. MongoDB devuelve contexto de red que incluye conexiones de entidades, patrones de transacción, identificadores compartidos e indicadores de riesgo en una única pipeline de agregación. Esto evita que se consulten varios sistemas o que se realicen uniones costosas.

Alimente datos de entidades, resultados de búsquedas y análisis de red a un LLM como AWS Bedrock Claude‑3 Sonnet para una clasificación de riesgo asistida por IA. El modelo evalúa las señales de cumplimiento, los patrones de relación, los indicadores de comportamiento y las coincidencias con las listas de vigilancia para generar evaluaciones de riesgo con puntuaciones de confianza y acciones recomendadas.

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

Objetivo: Descubrimiento de red con recorrido de grafos

Los investigadores suelen necesitar rastrear redes de lavado de dinero y conexiones ocultas entre entidades. Utiliza la etapa de agregación $graphLookup de MongoDB para realizar este análisis de red directamente en tu base de datos operativa, sin necesidad de un almacén de grafos por separado.

• Comienza con una entidad sospechosa y recorre relaciones de forma recursiva mediante socios empresariales, direcciones compartidas, contrapartes de transacciones o estructuras corporativas. Cada recorrido devuelve documentos de entidad completos con análisis de comportamiento integrados, puntuaciones de riesgo y banderas de cumplimiento.

• Filtra las relaciones por puntuación de confianza, tipo de relación o umbrales de riesgo durante la exploración.

• Descubre redes a través de múltiples saltos en milisegundos, y luego combina los resultados de grafos con operaciones de agregación estándar como el filtrado, la ordenación y la 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 mediante una combinación de referencias integradas y una colección dedicada de relationships:

• Los documentos de entidades pueden insertar referencias a entidades relacionadas en arreglos connected_entities.

• Los documentos de transacción almacenan customer_id campos que enlazan con entidades.

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

Este patrón permite un recorrido eficiente del grafo con $graphLookup, manteniendo 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:

• Configura la autocompletación en name.full con edge n‑grams (2–15 caracteres) para sugerencias de nombres en tiempo real.

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

Utiliza los índices de Atlas Vector Search en campos de incrustación para habilitar la correspondencia semántica configurando la similaridad del coseno con vectores de 1536dimensiones para la identificación de entidades y patrones de comportamiento. Puedes crear incrustaciones independientes para datos de identificadores y patrones de comportamiento para orientar casos de uso específicos.

Use índices estándar para cargas de trabajo operativas:

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

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

• Usa índices compuestos en el nivel de riesgo y el tipo de entidad para filtros investigativos 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, ...
   ]
}