Aplicación de inteligencia artificial y machine learning para la segmentación en GIRO buscando identificar el riesgo de LA/FT según circular básica jurídica de la superintendencia financiera de Colombia, numeral 4.1.1.1, título IV, parte I

Abstract

Este proyecto tiene como objetivo la implementación de un módulo de segmentación dentro del aplicativo GIRO, diseñado para mejorar la identificación y gestión de riesgos asociados con el Lavado de Activos y la Financiación del Terrorismo (LA/FT), en conformidad con las normativas colombianas establecidas por la Superintendencia Financiera. Utilizando técnicas de Inteligencia Artificial (IA) y Machine Learning (ML), se busca clasificar factores de riesgo, como clientes, pro ductos, canales de distribución y jurisdicciones, con el fin de optimizar la eficiencia operativa y reducir los riesgos financieros y reputacionales. La metodología aplicada incluye un análisis exploratorio de datos, seguido de la implementación de modelos de aprendizaje no supervisado: K-means y Clustering Jerárquico, tanto con reducción de dimensionalidad mediante Análisis de Componentes Principales (PCA) como sin esta técnica. La evaluación del desempeño de los modelos se realiza a través de métricas robustas, lo que permite generar segmentaciones precisas que mejoren la toma de decisiones y fortalezcan el cumplimiento de las normativas regulatorias en el sector financiero colombiano.

This project focuses on the implementation of a segmentation module for the GIRO application, aimed at optimizing the identification and management of risks related to Money Laundering and Terrorism Financing (ML/TF), in compliance with Colombian regulations established by the Financial Superintendence. Using Artificial Intelligence (AI) and Machine Learning (ML) techniques, the project categorizes risk factors such as clients, products, distribution channels, and jurisdictions to enhance operational efficiency and minimize financial and reputational risks. The methodology involves data exploration, the implementation of unsupervised learning models (K-means and Hierarchical Clustering), and the evaluation of model performance using robust metrics. This approach enables precise segmentations, improves decision-making, and strengthens regulatory compliance in the Colombian financial sector.