Desarrollo de un modelo de aprendizaje no supervisado para la detección de patrones y anomalías relacionadas con delitos de lavado de activos a partir del procesamiento de datos económicos y sociales en cantones y provincias del Ecuador para el periodo 2013-2023

Abstract

Este trabajo de investigación se focaliza en el desarrollo de un modelo de aprendizaje no supervisado para poder detectar un riesgo potencial de lavado de activos por varias actividades económicas en Ecuador. Analizando datos económicos y sociales a nivel de cantones y provincias en el periodo de 2013 a 2023. Cuyos resultados serán presentados en visualizadores geográficos para un entendimiento rápido de las provincias que presentan un mayor riesgo a nivel de actividad económica. Este estudio aprovecha de los modelos de aprendizaje no supervisados los cuales son una rama del Machine Learning, que se caracteriza por trabajar con bases de datos sin etiquetas, al analizar patrones y el comportamiento de los datos. El modelo propuesto parte de una técnica de agrupamiento conocida como K medias y también de una simulación de Montecarlo que en conjunto pueden identificar potenciales actividades ilícitas en el sistema financiero. Los resultados demuestran la efectividad de los modelos de aprendizaje no supervisado, toda vez que, al emplear datos públicos, estos modelos pueden ser escalados y servir como referencia para futuras investigaciones en este campo. This research focuses on the development of an unsupervised learning model to detect a potential risk of money laundering using various economic activities in Ecuador. By analyzing economic and social data at the level of cantons and provinces in the period of 2013 to 2023. The research results will be presented in geographic displays for a quick understanding of the provinces that present a greater risk at the level of economic activity. This study takes advantage of unsupervised learning models which are a branch of Machine Learning, which is characterized by working with databases without labels, analyzing patterns and the data behavior. The proposed model is based on a clustering technique known as K-means and a Montecarlo simulation that together can identify potential illicit activities in the financial system. The results demonstrate the effectiveness of unsupervised learning models, since by using public data, these models can be scaled and serve as a reference for future research in this field.