Durante la última década, han aumentado las prácticas depredadoras y fraudulentas en las finanzas digitales y la tecnología financiera. Con la creciente proporción de la población mundial que utiliza dispositivos móviles para servicios financieros, existen preocupaciones constantes sobre proveedores problemáticos que se dirigen a usuarios con conocimientos limitados de servicios financieros digitales para explotar hogares y empresas vulnerables. La escala de este problema se ha acentuado por la pandemia de COVID-19. Esto no solo perjudica a los consumidores, sino que también puede generar desconfianza en las finanzas digitales y retrasar los esfuerzos de inclusión financiera. 

El aprendizaje automático (un tipo de inteligencia artificial que permite que las aplicaciones de software sean más precisas a la hora de predecir resultados sin estar programadas explícitamente para ello) resulta prometedor para mitigar las tecnologías financieras fraudulentas al analizar los datos disponibles que se recopilan periódicamente en las tiendas de aplicaciones para crear un sistema de señalización y denuncia de aplicaciones altamente sospechosas. Para demostrarlo, los investigadores se basaron en los datos disponibles sobre las aplicaciones financieras de Google de 63 países desde 2020 hasta mediados de 2021 para documentar la prevalencia de esas aplicaciones problemáticas y probar la eficacia de esos métodos. 

Centrándose en las aplicaciones de préstamos personales, los investigadores probaron dos enfoques para etiquetar las aplicaciones problemáticas en un conjunto de datos de entrenamiento como pertenecientes a varias clases sospechosas y legítimas mediante: 1) clasificación manual y 2) clasificación basada en orientación específica del mercado. Luego, establecieron modelos para predecir la propensión de las aplicaciones en un conjunto de datos de prueba separado a ser predatorias o fraudulentas, basándose tanto en señales estáticas como en tiempo real de los metadatos de las aplicaciones, así como en las proporcionadas en los datos de revisión de los usuarios. Para ambos enfoques, compararon la precisión general de sus modelos con las eliminaciones de aplicaciones reales.

En general, las técnicas de aprendizaje automático demostraron la capacidad de crear un sistema para marcar e informar de manera eficiente y precisa las aplicaciones con comportamientos sospechosos, particularmente al separar entre aplicaciones "probablemente legítimas" y "probablemente sospechosas". Sin embargo, la precisión del modelo fue algo menor al diferenciar categorías más granulares, por ejemplo, entre casos de "fraude puro" y casos "depredadores". Se descubrió que diferentes configuraciones de modelos de aprendizaje automático tienen cierta influencia en la precisión predictiva. Si bien estos resultados indican que es necesario realizar más ajustes, también sugieren que el uso de un conjunto de enfoques puede ser útil para identificar con éxito las aplicaciones sospechosas de interés. En conjunto, los resultados muestran que el aprendizaje automático, incluso cuando requiere una revisión manual para protegerse contra falsos positivos o ajustes finos, puede reducir considerablemente la carga de los reguladores de la verificación manual de nuevas aplicaciones financieras. Esto también puede acelerar la velocidad a la que las aplicaciones sospechosas se pueden marcar y eliminar de las tiendas de aplicaciones.