Esta publicación fue escrita en coautoría con Krišjānis Kočāns, Kaspars Magaznieks y Sergei Kiriasov de Sun Finance Group.
Si procesa documentos de identidad a escala (solicitudes de préstamo, aperturas de cuentas, verificaciones de cumplimiento), probablemente se haya topado con el mismo muro: el reconocimiento óptico de caracteres (OCR) tradicional lo lleva hasta cierto punto, pero los errores de extracción aún empujan a una gran parte de las solicitudes a colas de revisión manual. Agregue la detección de fraude a la mezcla y la carga de trabajo manual se agrava.
Sun Finance, una fintech letona fundada en 2017, opera como un mercado de préstamos en línea pionero en tecnología en nueve países. La empresa procesa una nueva solicitud de préstamo cada 0,63 segundos y entrega más de 4 millones de evaluaciones mensuales. En una de sus industrias de mayor volumen, con 80.000 solicitudes mensuales de microcréditos, aproximadamente el 60% de las solicitudes requerían revisión manual por parte del operador. Sun Finance se asoció con el Centro de innovación de IA generativa de AWS para reconstruir el canal. A los 35 días hábiles de la entrega, la solución estaba en producción. La siguiente línea de tiempo muestra el recorrido completo del proyecto desde el inicio hasta el lanzamiento de la producción.
Cronograma del proyecto Sun Finance desde el inicio hasta la producción
El proyecto avanzó a través de cuatro hitos durante 107 días hábiles. El compromiso del Centro de innovación de IA generativa de AWS duró 32 días desde el inicio (26 de agosto de 2025) hasta la presentación final (9 de octubre de 2025), seguido de 26 días para la entrega técnica (14 de noviembre de 2025). Luego, Sun Finance tardó 35 días hábiles en poner la solución en producción, incluida una congelación de la producción de 14 días durante el período de vacaciones (del 18 de diciembre al 7 de enero), y entró en funcionamiento el 22 de enero de 2026.
En esta publicación, mostramos cómo Sun Finance utilizó Amazon Bedrock, Amazon Textract y Amazon Rekognition para crear un canal de verificación de identidad (IDV) impulsado por IA. La solución mejoró la precisión de la extracción del 79,7 % al 90,8 %, redujo los costos por documento en un 91 % y redujo el tiempo de procesamiento de hasta 20 horas a menos de 5 segundos. Aprenderá cómo combinar OCR especializado con estructuración de modelo de lenguaje grande (LLM) obtuvo mejores resultados utilizando cualquiera de las herramientas por sí sola. También aprenderá a diseñar un sistema de detección de fraude sin servidor mediante la búsqueda por similitud de vectores.
El desafío de la verificación de identidad
Sun Finance creó su primera automatización IDV en 2019 utilizando Amazon Rekognition y Amazon Textract. A medida que la empresa se expandió a regiones en desarrollo, las limitaciones del sistema se volvieron difíciles de ignorar.
Esta región presentó desafíos únicos con la complejidad del lenguaje y los documentos. El procesamiento de documentos tanto en inglés como en un idioma local resultó difícil para los sistemas OCR tradicionales. El texto en el idioma local sigue estando subrepresentado en los conjuntos de datos de entrenamiento de OCR tradicionales, lo que provoca frecuentes errores de extracción. Sun Finance también necesitaba manejar 7 tipos de identificación diferentes, cada uno con diferentes diseños y formatos.
La carga de trabajo manual se debió principalmente a errores de OCR. Del 60% de las solicitudes que requirieron revisión manual, aproximadamente el 80% de los casos surgieron de discrepancias entre la información extraída y los datos ingresados por el cliente. Fundamentalmente, el 60 % de estas discrepancias fueron errores de OCR, no errores de los clientes. El 20% restante de las intervenciones manuales se relacionaron con indicadores de detección de fraude.
La detección de fraude añadió otra capa de complejidad. Alrededor del 10% de las solicitudes diarias eran solicitudes fraudulentas reales. Los estafadores utilizaron imágenes similares con patrones distintivos para eludir los controles básicos al presentar múltiples solicitudes de préstamos. La identificación de estos patrones requirió una revisión manual que requirió mucho tiempo en numerosas imágenes.
Las limitaciones de costos y velocidad bloquearon la expansión. El costo por documento y aproximadamente 3 equivalentes a tiempo completo (ETC) dedicados a la verificación manual solo en esta región significaron que la economía unitaria bloqueó la expansión a industrias con micropréstamos de menor valor. Los tiempos de procesamiento variaron desde menos de 10 minutos para casos automatizados hasta 20 horas para revisiones manuales fuera del horario comercial.
Descripción general de la solución
El Centro de innovación en IA generativa de AWS realizó una prueba de concepto de seis semanas (septiembre-octubre de 2025) centrada en una industria de gran volumen. El equipo creó dos soluciones impulsadas por IA: un sistema de extracción de identificación y un sistema de detección de fraude. Ambos se implementaron como una arquitectura totalmente sin servidor en AWS. La solución utiliza los siguientes servicios clave:
Amazon Bedrock: para estructuración de IA y análisis visual utilizando Claude Sonnet 4 de Anthropic y generación de vectores utilizando Amazon Titan Multimodal Embeddings. Amazon Textract: para la extracción primaria de texto OCR de documentos de identidad. Amazon Rekognition: para OCR alternativo, detección de rostros y enmascaramiento de rostros. Amazon S3 Vectors: para búsqueda de similitudes de vectores sin servidor frente a patrones de fraude conocidos. AWS Step Functions: para orquestar flujos de trabajo de detección de fraude paralelos. AWS Lambda: para computación sin servidor en ambos canales.
El siguiente diagrama ilustra la arquitectura de la solución.
Arquitectura de la API de Sun Finance que muestra rutas de extracción de ID y detección de fraude
La arquitectura expone dos rutas API a través de Amazon API Gateway, con datos de solicitud de préstamo almacenados en Amazon Simple Storage Service (Amazon S3):
Ruta `/extract-id` (extracción de ID). Una función de AWS Lambda recibe la imagen de identificación y la envía a Amazon Textract para el OCR principal. Si Amazon Textract arroja resultados de baja confianza, el sistema recurre a Amazon Rekognition para OCR. Luego, el texto extraído se pasa a Amazon Bedrock (Claude Sonnet 4), que lo estructura en campos JSON estandarizados. Ruta `/detect-fraud` (detección de fraude). Una función AWS Lambda desencadena un flujo de trabajo de AWS Step Functions que ejecuta dos comprobaciones en paralelo: Similitud de fondo: Amazon Rekognition enmascara la cara de la imagen selfie, luego Amazon Bedrock Titan Multimodal Embeddings genera una representación vectorial del fondo. Este vector se consulta con Amazon S3 Vectors para encontrar coincidencias con patrones de fraude conocidos. Detección de patrones visuales: Amazon Bedrock (Claude Sonnet 4) analiza la imagen en busca de artefactos fotográficos en pantalla y manipulación digital.
Ambos resultados se incorporan a una función de evaluación de riesgos basada en Lambda que produce una puntuación de fraude combinada como JSON.
Canal de ingesta de fraude (lado derecho). Las imágenes de fraude confirmadas se incorporan desde Amazon S3 a través de una función Lambda. Las imágenes son procesadas por Amazon Rekognition para el enmascaramiento facial, vectorizadas por Amazon Bedrock Titan Embeddings y almacenadas en Amazon S3 Vectors. Esto hace crecer la base de datos de referencia con el tiempo.
Requisitos previos
Para implementar una solución similar, necesita lo siguiente:
Tutorial de la solución
Esta sección recorre los dos procesos principales: extracción de identidad y detección de fraude.
Canal de extracción de identificación
El sistema de extracción de identidad no llegó a su diseño final el primer día. El equipo repitió tres enfoques distintos durante cuatro semanas, y cada fracaso apuntó hacia la siguiente mejora. El siguiente diagrama muestra cómo evolucionó la canalización desde un único enfoque de Claude Sonnet 4 a través de Amazon Bedrock con una precisión del 61,8 % hasta el diseño final de varios niveles con un 90,8 %.
Extracción de identificación: evolución de los enfoques que muestran tres iteraciones del 61,8 % al 90,8 % de precisión
Enfoque 1: Claude Sonnet 4 solo (61,8% de precisión). El primer intento del equipo envió imágenes de identificación directamente a Claude Sonnet 4 de Anthropic a través de Amazon Bedrock y le pidió que extrajera los campos como JSON. Los resultados fueron decepcionantes: 61,8% de precisión general, con una extracción de números de identificación de solo el 43%. El problema central fueron los protocolos de seguridad integrados en el modelo para el manejo de información de identificación personal (PII). Claude está capacitado para limitar el procesamiento de PII confidencial que se encuentra en documentos de identidad como licencias de conducir, pasaportes e identificaciones nacionales. Cuando se le presentaron imágenes de identificación reales, el modelo activó estas salvaguardas de privacidad y se negó a extraer información de algunos archivos, lo que afectó directamente el rendimiento. Además, incluso cuando la extracción tuvo éxito, ciertos campos (como los números de identificación) mostraron poca precisión porque el modelo priorizó la seguridad sobre el reconocimiento preciso de caracteres en documentos confidenciales.
La conclusión: si bien Claude se destaca en el análisis general de documentos y en tareas de OCR, sus protecciones de privacidad integradas lo hacen inadecuado para la extracción directa de documentos de identidad que contienen PII.
Enfoque 2: estructuración de Amazon Textract + Claude (85% de precisión). El gran avance se produjo cuando el equipo separó el OCR de la estructuración. Amazon Textract manejó la extracción de texto sin formato de imágenes de identificación. A continuación, Claude Sonnet 4 estructuró el resultado en 7 campos estandarizados: tipo de documento, fecha de nacimiento, nombre, apellido, segundo nombre, número de identificación y fecha de caducidad. Este único cambio produjo un salto de precisión del 11,6%.
Este enfoque funcionó porque Amazon Textract, como servicio de OCR especializado, no tiene los mismos mecanismos de rechazo de PII que Claude, por lo que extrajo texto de manera confiable de cada imagen de identificación sin activar protocolos de seguridad. Una vez extraído el texto, Claude pudo centrarse en lo que mejor sabe hacer: estructurar inteligentemente. Claude se destacó en el manejo de textos en idiomas locales con signos diacríticos, infiriendo información faltante a partir del contexto y aplicando reglas de extracción específicas de documentos. Éstas son tareas que el OCR tradicional por sí solo no podría realizar. Al trabajar con texto ya extraído en lugar de imágenes de identificación sin procesar, Claude evitó sus limitaciones de seguridad.
La conclusión: separar las preocupaciones permitió que cada herramienta operara dentro de sus parámetros de diseño: Amazon Textract para OCR confiable y Claude para estructuración inteligente.
Enfoque 3: OCR multinivel + validación (90,8% de precisión). La iteración final agregó Amazon Rekognition como alternativa para las imágenes en las que Amazon Textract tuvo problemas (generalmente escaneos de baja calidad, ángulos inusuales de documentos o identificaciones dañadas), además de reglas de validación para el formato de números de identificación, estandarización de fechas y normalización de tipos de documentos.
La arquitectura de varios niveles funciona de la siguiente manera. Amazon Textract maneja el OCR primario. Amazon Rekognition proporciona extracción de respaldo cuando la confianza de Amazon Textract es baja. Claude estructura la salida combinada y las reglas de validación detectan los errores de formato que se escapan. Los números de identificación se completan con la longitud correcta según el tipo de documento y las fechas se estandarizan al formato AAAA-MM-DD. Estas reglas de validación resultaron críticas. Detectaron casos extremos en los que el OCR extraía caracteres correctos pero en formatos inconsistentes.
El siguiente cuadro muestra la progresión de precisión semanal en 585 imágenes de prueba. El equipo no superó la línea de base hasta la Semana 4, cuando agregaron Amazon Textract. Cada iteración reveló nuevos modos de falla que informaron la siguiente mejora arquitectónica.
Extracción de identificación: el camino hacia una precisión del 90,8 % que muestra el progreso semanal
La conclusión: combinar herramientas de OCR especializadas (Amazon Textract + Amazon Rekognition) con estructuración de LLM (Claude) y reglas de validación es mejor que usar una sola herramienta para la extracción de documentos.
Canal de detección de fraude
El sistema de detección de fraude utiliza AWS Step Functions para ejecutar dos métodos de detección en paralelo y luego combina sus puntuaciones en una evaluación de riesgos final.
Detección de patrones visuales. Claude Sonnet 4 a través de Amazon Bedrock analiza las imágenes de selfies enviadas en busca de signos de fraude: fotografías de pantalla (biseles visibles, líneas de escaneo, patrones muaré), brillos y reflejos de la pantalla y artefactos de manipulación digital. Se marcan las imágenes con una puntuación de confianza del 85 % o más. El sistema ignora características normales como el desenfoque, los artefactos de compresión y el recorte estándar para reducir los falsos positivos. La detección de fotografías en pantalla funciona bien, con una confianza superior al 95% en patrones conocidos.
Análisis de similitud de antecedentes. Este componente detecta redes de fraude, que son grupos de estafadores que envían selfies desde la misma ubicación. El oleoducto funciona en tres pasos. En primer lugar, Amazon Rekognition enmascara las caras para centrarse en el fondo. Luego, Amazon Titan Multimodal Embeddings genera un vector de fondo de 1024 dimensiones. Por último, Amazon S3 Vectors busca coincidencias con patrones de fraude conocidos.
El equipo probó incrustaciones visuales y basadas en texto para la búsqueda de similitudes. Las incrustaciones de texto (hacer que Claude describiera el fondo y luego comparar las descripciones) lograron un 91% de precisión, pero solo un 27,8% de precisión y un 21,7% de recuperación. Las incrustaciones visuales funcionaron mucho mejor: 96% de precisión, 80% de precisión y 52% de recuperación.
Similitud de fondo: enfoque de características visuales que muestra la canalización y el texto frente a la comparación de incrustación visual
Evaluación de riesgos. El algoritmo de puntuación pondera por igual la detección de patrones visuales (50%) y la similitud de fondo (50%). Las puntuaciones de 75+ indican fraude de alta confianza, entre 38 y 74 indican confianza media y por debajo de 38 se clasifica como legítimo. La arquitectura de ejecución paralela procesa imágenes en 3 a 5 segundos, en comparación con 6 a 8 segundos cuando se ejecuta de forma secuencial.
Arquitectura sin servidor
Toda la solución se ejecuta en AWS Lambda, AWS Step Functions y Amazon API Gateway. Este diseño permite al equipo modificar funciones Lambda individuales, probar cambios inmediatamente e implementar actualizaciones sin tiempo de inactividad. Esto fue fundamental durante un compromiso de seis semanas en el que el enfoque cambiaba semanalmente.
La autenticación utiliza Amazon Cognito con firma de solicitudes de AWS SigV4. AWS WAF protege contra problemas comunes de seguridad web. Los datos se cifran en reposo con AWS Key Management Service (AWS KMS) y en tránsito mediante TLS 1.2+. La infraestructura está definida en Terraform y pasó auditorías de seguridad con 25 hallazgos analizados: 14 falsos positivos, 9 excepciones justificadas y 2 diferidas para producción.
Resultados
La prueba de concepto proporcionó mejoras mensurables en términos de precisión, velocidad, detección de fraude y costo.
Rendimiento de extracción de identificación
El sistema fue evaluado con 585 imágenes de identificación:
Métrica Línea base Nueva solución Mejora Nombre 84,93% 87,72% +2,79% Fecha de nacimiento 81,25% 90,80% +9,55% Tipo de documento 78,43% 96,40% +17,97% Número de identificación 74,32% 89,40% +15,08% Precisión general 79,73% 90,80% +11,07%
La extracción de números de identificación, que anteriormente era el campo más débil con un 74,32%, mejoró en más de 15 puntos porcentuales. La clasificación por tipo de documento alcanzó el 96,4%. Tiempo medio de procesamiento: 4,42 segundos por documento.
Rendimiento de detección de fraude
El proceso combinado de detección de fraude de extremo a extremo (detección de patrones visuales más similitud de fondo) logró una precisión del 81 % con un 59 % de recuperación y un 83 % de especificidad.
Resultados de detección de fraude: 81 % de precisión, 59 % de recuperación, 83 % de especificidad
El retiro del 59% significa que el sistema detecta alrededor de 6 de cada 10 casos de fraude. Los umbrales conservadores reflejan una realidad empresarial: los falsos positivos crean fricciones con los clientes, mientras que los fraudes pasados por alto pueden detectarse mediante otros controles. A medida que la base de datos de patrones de fraude crece con casos confirmados, mejora el recuerdo.
Costo y velocidad
La nueva solución redujo los costos y el tiempo de procesamiento en ambos canales.
Componente Reducción de costos Extracción de ID (Amazon Textract + Amazon Rekognition + Claude) Reducción del 91 % en comparación con la solución anterior Detección de fraude (Claude Sonnet 4 + Amazon Titan Embeddings + Amazon S3 Vectors) 3 a 5 segundos por imagen
El costo de extracción de identificación representa una reducción del 91% con respecto a la solución anterior. Esto hace que sea económicamente viable atender industrias con microcréditos de menor valor. El proceso de detección de fraude se completa en 3 a 5 segundos por imagen.
Impacto operativo
Más allá de la precisión y el costo, la solución cambió la forma en que Sun Finance opera en el día a día:
Se prevé que la intervención manual disminuirá del 60 % al 30 % de las solicitudes, lo que reducirá la carga de trabajo de revisión a la mitad. Se proyecta que la dotación de personal disminuirá de aproximadamente 3 FTE a aproximadamente 1 FTE para esta industria. La expansión de la región ahora es económicamente viable para las economías de préstamos de bajo valor. Adaptabilidad: agregar un nuevo tipo de documento o lenguaje requiere ingeniería y validación rápidas, no volver a capacitar modelos especializados.
Escalabilidad y expansión
La arquitectura de la solución fue diseñada para una rápida expansión. Sun Finance opera en nueve países y el diseño sin servidor permite implementaciones específicas de la industria sin duplicación de infraestructura. Agregar una nueva economía requiere actualizaciones de configuración y reimplementación. El equipo actualiza las indicaciones de Claude Sonnet 4 a través de Amazon Bedrock y define reglas de validación específicas del documento, luego realiza pruebas con un conjunto de datos de validación. Estos cambios de configuración requieren volver a implementar las funciones de Lambda a través de la canalización de integración y entrega continuas (CI/CD) utilizando Terraform. El sistema de detección de fraude utiliza dos métodos complementarios. La detección de patrones visuales a través de Claude Sonnet 4 identifica fotografías en pantalla y manipulación digital. Estas técnicas son en gran medida universales en todas las industrias. El análisis de similitud de antecedentes utilizando Amazon S3 Vectors detecta redes de fraude comparando antecedentes con patrones conocidos, y se agregan casos de fraude confirmados para mejorar la detección con el tiempo.
La arquitectura modular permite una mejora continua. La orquestación de AWS Step Functions permite agregar nuevos métodos de detección de fraude como funciones Lambda paralelas sin interrumpir las comprobaciones existentes. Estas podrían ser capacidades como análisis de metadatos EXIF, huellas digitales de dispositivos y validación de geolocalización. Cada uno se integraría como comprobaciones paralelas adicionales sin requerir cambios arquitectónicos.
Lecciones aprendidas
Cinco conclusiones prácticas del compromiso:
OCR + LLM supera al LLM por sí solo. Claude Sonnet 4 a través de Amazon Bedrock por sí solo logró una precisión del 61,8 % en la extracción de identificación, lo que estuvo por debajo de la línea de base existente. Agregar Amazon Textract para la extracción de texto sin formato y usar Claude solo para estructurar aumentó la precisión al 85%. El LLM es bueno para comprender el contexto y normalizar datos confusos. No es tan confiable en el reconocimiento preciso carácter por carácter de las imágenes.
El OCR de varios niveles ofrece resiliencia. El enfoque en cascada utiliza Amazon Textract como principal y Amazon Rekognition como alternativa. Ningún servicio de OCR manejó todos los casos extremos, pero la combinación agregó un costo mínimo y ayudó a evitar fallas totales en imágenes desafiantes.
La detección de fraude necesita múltiples métodos. La detección de patrones visuales captura fotografías en pantalla con una confianza superior al 95%. La similitud de antecedentes detecta anillos de fraude a través de patrones de ubicación. Pero la similitud de fondo solo logra un 55% de recuerdo en patrones vistos y cae al 16,7% en patrones novedosos. Ningún método por sí solo es suficiente y el sistema mejora a medida que se agregan a la base de datos más casos de fraude confirmados.
Comience de manera simple y agregue complejidad cuando las métricas lo exijan. El equipo logró una reducción de costos del 91 % al utilizar Amazon Textract como OCR principal en lugar de Claude para todo. Llamaron a AnalyzeID solo cuando faltaban campos específicos y almacenaron en caché incrustaciones para la detección de fraude. Reserve modelos costosos para tareas en las que realmente sean necesarios.
Sin servidor permite una iteración rápida. La ejecución paralela en AWS Step Functions redujo la latencia de detección de fraude en un 40 % con cambios mínimos de código. La capacidad de modificar e implementar funciones Lambda individuales sin tiempo de inactividad fue fundamental durante un compromiso de seis semanas en el que el enfoque evolucionó semanalmente.
Próximos pasos
Sun Finance planea aprovechar la prueba de concepto en varias direcciones.
Ampliar la detección visual. El sistema actual sólo busca fotos en pantalla. Echa de menos dibujos animados, ilustraciones e imágenes generadas por IA. Ampliar el mensaje de detección es la mejora de menor esfuerzo y mayor impacto. Más datos de entrenamiento. La recopilación continua de casos de fraude confirmados y diversos patrones de antecedentes mejorará directamente el recuerdo de similitudes de antecedentes más allá del 55 % actual de los patrones observados. Señales de fraude adicionales. La integración del análisis de metadatos EXIF, la toma de huellas digitales del dispositivo y la validación de la geolocalización agregaría rutas de detección que no dependen del análisis visual. Esto es particularmente valioso para patrones de fraude novedosos. Expansión multilingüe. La expansión a otras economías de Sun Finance en países del sudeste asiático, África, América Latina y Europa requiere reglas de validación e ingeniería rápidas específicas del idioma. Las capacidades multilingües de Claude proporcionan un punto de partida y el equipo está creando un marco de configuración para permitir la expansión sin cambios de código.
Limpiar
Si implementa una prueba de concepto similar, elimine los siguientes recursos cuando haya terminado para evitar cargos continuos:
Funciones de AWS Lambda creadas para los canales de extracción de ID y detección de fraude. Máquinas de estado de AWS Step Functions. Buckets de Amazon S3 e índices vectoriales de Amazon S3 Vectors utilizados para el almacenamiento de patrones de fraude. API REST de Amazon API Gateway. Grupos de usuarios de Amazon Cognito. Listas de control de acceso web (ACL) de AWS WAF. Cualquier rendimiento aprovisionado por Amazon Bedrock (si está configurado).
Puede eliminar estos recursos a través de la Consola de administración de AWS o ejecutando "terraform destroy" si implementó la infraestructura utilizando Terraform.
Conclusión
En esta publicación, mostramos cómo Sun Finance combinó Amazon Textract, Amazon Rekognition y Amazon Bedrock para construir un canal de verificación de identidad impulsado por IA. La solución mejoró la precisión de la extracción del 79,7 % al 90,8 %, redujo los costos por documento en un 91 % y redujo el tiempo de procesamiento de hasta 20 horas a menos de 5 segundos. El patrón arquitectónico central, que utiliza OCR especializado para extracción de texto y un LLM para estructuración inteligente, se aplica a flujos de trabajo de procesamiento de documentos donde el OCR tradicional se queda corto. El sistema de detección de fraude sin servidor demuestra cómo se puede combinar el análisis visual con la búsqueda de similitudes de vectores para detectar patrones de fraude a escala.
Para los clientes que solicitan un micropréstamo, esa es la diferencia entre esperar un día y recibir una respuesta mientras todavía están en su teléfono.
"Gracias al equipo del Centro de innovación de IA generativa de AWS por una asociación excepcional y resultados verdaderamente excepcionales. Lo que inicialmente parecía un objetivo ambicioso, casi irreal, se ha transformado en una solución segura y lista para producción que ofrece ganancias mensurables en precisión, velocidad y rentabilidad. En particular, la capacidad de detección de fraude impulsada por IA, que combina reconocimiento de patrones visuales y análisis de similitud de fondo, representa un gran paso adelante en la protección de nuestra cartera y al mismo tiempo mantiene una experiencia perfecta para el cliente. El impacto en nuestras operaciones y marco de gestión de riesgos es inmediato y significativo, y estamos profundamente Agradezco la experiencia, la dedicación y la excelencia en la ejecución que hicieron esto posible”.
— Agris Vaselāns, CRO del grupo, Sun Finance
Para saber cómo la IA generativa puede mejorar sus flujos de trabajo de procesamiento de documentos y detección de fraude, visite la página del producto Amazon Bedrock o conéctese con el Centro de innovación de IA generativa de AWS. Para obtener más información sobre OCR y el procesamiento de documentos, consulte la Guía para desarrolladores de Amazon Textract.
Nos encantaría conocer su experiencia con el procesamiento de documentos y la detección de fraude. Comparte tus pensamientos en la sección de comentarios.
Sobre los autores
Babs Khalidson es arquitecto de aprendizaje profundo en el Centro de innovación de IA generativa de AWS en Londres, donde se especializa en ajustar grandes modelos de lenguaje, crear agentes de IA y soluciones de implementación de modelos. Tiene más de 6 años de experiencia en inteligencia artificial y aprendizaje automático en finanzas y computación en la nube, con experiencia que abarca desde la investigación hasta la implementación de producción.
Vushesh Babu Adhikari es un científico de datos en el centro de innovación de IA generativa de AWS en Londres con amplia experiencia en el desarrollo de soluciones de IA generativa en diversas industrias. Tiene más de 7 años de experiencia que abarca un conjunto diverso de industrias que incluyen finanzas, telecomunicaciones y tecnología de la información con experiencia especializada en aprendizaje automático e inteligencia artificial.
Luisa Bertoli es estratega de IA en el Centro de innovación de IA generativa de AWS. Trabaja con grandes organizaciones en su estrategia de IA, adopción y planes de transformación de varios años, ayudándolas a pasar de la experimentación a implementaciones escalables y de alto impacto. Tiene una profunda experiencia en el ámbito de los servicios financieros, adquirida a lo largo de años de diseño y desarrollo de productos de IA y aprendizaje automático en la industria.
Kimmo Isosomppi es arquitecto senior de soluciones en AWS en Helsinki, Finlandia. Ayuda a los clientes empresariales de las regiones nórdicas y bálticas a convertir los complejos desafíos de la nube y la IA en soluciones listas para producción, con especial experiencia en IA generativa, arquitecturas de IA agente y seguridad en la nube. Aporta más de dos décadas de experiencia en juegos, servicios financieros, comercio minorista y el sector público.
Seppo Kalliomaki es ejecutivo de cuentas en AWS en Tallin, Estonia, y se especializa en la adopción de la nube empresarial y la transformación de la IA en las regiones nórdicas y bálticas. Desde 2017, ha ayudado a las organizaciones en su viaje a la nube y a implementar soluciones de IA generativa, con especial experiencia en modernización bancaria, servicios del sector público y casos de uso de IA emergentes. Seppo trabaja en estrecha colaboración con la renovación de la estrategia de la nube, la planificación de la migración y la adopción de la IA con los clientes empresariales de AWS.
Nicolas Metallo es arquitecto senior de aprendizaje profundo en el Centro de Innovación de IA Generativa de AWS en Madrid. Diseña e implementa soluciones GenAI utilizando Amazon Bedrock y SageMaker, incluido el ajuste de LLM, la implementación de sistemas multiagente y el GTM técnico líder para iniciativas soberanas de IA en toda EMEA.
Krišjānis Kočāns lidera la ciencia de datos de prevención de fraude en Sun Finance Group en 14 países en 4 continentes, creando sistemas de detección de fraude desde cero mientras impulsa la adopción de Gen AI.
Kaspars Magaznieks es Jefe de Fraude en Sun Finance y lidera el equipo de prevención de fraude, crea un marco de prevención de fraude y una política de prevención de fraude. ¡Kaspars tiene más de 10 años de experiencia en la prevención del fraude trabajando en compañías crediticias globales y de ritmo rápido!
Sergei Kiriasov es Jefe de Tecnología de Riesgos en Sun Finance, responsable de dar forma y ofrecer la tecnología detrás de la toma de decisiones sobre riesgo crediticio. Liderar la colaboración multifuncional entre Riesgos y TI garantiza una arquitectura sólida, procesos eficientes y soluciones escalables que potencian los equipos de ciencia de datos, prevención de fraude y cartera. Con más de 15 años en tecnología, impulsa la innovación y la excelencia operativa en todos los sistemas de riesgo.