Derecho Jurisdiccional Disciplinario

Derecho jurisdiccional disciplinario, desde un enfoque ético, deontológico y preventivo 153 análisis apropiado de datos estructurados, semiestructurados y no estructurados podría usarse para predecir comportamientos útiles y potencialmente ayudar a tomar decisiones comerciales inteligentes y prevenir los delitos. Se pueden encontrar datos no estructu- rados cuando los investigadores del delito adquieren una instantánea digital de los con- juntos de chips de almacenamiento en dispositivos móviles, computadores o cualquier dispositivo electrónico con almacenamiento digital. Los cuatro pilares principales de Big Data se definen como: a. volumen (cantidad de datos), b. variedad (múltiples tipos de datos), c. velocidad (velocidad de procesamiento de datos) y d. valor (no un precio tangible, sino la valiosa inteligencia que se puede recopilar a partir de los datos 36 . El uso de Big Data en relación con la persecución de conductas criminales tiene sus defensores y críticos. Entre los primeros se encuentran aquéllos que enfatizan su efecti- vidad en el control del delito, así como la objetividad con la que obligaría a operar a las fuerzas policiales 37 . Los críticos de su uso dudan de su constitucionalidad y eficacia, que se puede constatar en las distorsiones de los datos. Aun así, su aplicabilidad a diferentes campos de la delincuencia es innegable 38 . Como, por ejemplo, para investigar el blanqueo de capitales, por un lado, porque hay datos listos para ser analizados tanto desde el sector público como del privado; por otro, porque son datos que contienen información concreta y lista para ser analizada desde una óptica cuantitativa. Otro modelo relevante es el Project debit-credit card de los Países Bajos, en el que a partir de datos de terceros se intentan analizar patrones predictivos que permitan detectar transacciones fraudulentas 39 . La prevención del blanqueo de capitales se simplifica gracias al avance del análisis de datos, de los modelos predictivos y de la inteligencia artificial, las instituciones financieras pueden analizar una cantidad enorme de datos, provenientes de la base de datos propia, internet, deep web o de cualquier otra fuente 40 . 36. Vid. https://www.msab.com/es/2020/03/09/big-data-in-digital-forensics-the-challenges-impact-and-solutions/. 37. Vid. https://edcp.blogs.uoc.edu/big-data-e-inteligencia-artificial-como-frentes-de-la-lucha-contra-la-ciberdelincuencia/ 38. Vid. KOTOROV, R, en https://sg.com.mx/revista/46/las-desventajas-big-data. 39. Vid. https://edcp.blogs.uoc.edu/big-data-e-inteligencia-artificial-como-frentes-de-la-lucha-contra-la-ciberdelincuencia/. 40. Vid. https://www.mentalytica.com/la-inteligencia-artificial-un-nuevo-aliado-contra-el-lavado-de-activos/ Donde se destaca que: “el último Foro EconómicoMundial, reunido en Davos-Suiza, se publicó un informe en el que da cuenta de la aplicación de algoritmos complejos de inteligencia artificial (IA) para prevenir el lavado de activos y la financiación del terrorismo. En efecto, el documento señala que, de cara a la universalización de nuevas tecnologías “ahora corresponde a las instituciones financieras dar el salto y utilizar la inteligencia artificial y el aprendizaje automático para detectar traficantes de personas, venta de narcóticos y armas, pagos terroristas y el lavado de dinero que alimenta estas actividades” Es por esto que ha crecido la tendencia que los reguladores en países avanzados exhorten a las instituciones financieras para que experimenten y utilicen el poder de la inteligencia artificial (IA) y el aprendizaje auto- mático (machine learning) para detectar actividades sospechosas”.