Cómo Chipper Cash usa la búsqueda vectorial de Pinecone para detener el fraude en tiempo real

Chipper Cash es una empresa de tecnología financiera con la misión de ampliar el acceso financiero en África, ofreciendo transferencias de dinero transfronterizas sin fricciones a más de cinco millones de clientes en siete países. A medida que la plataforma creció, también lo hizo el uso de promociones para nuevos usuarios —campañas de incentivos diseñadas para atraer clientes legítimos e impulsar el volumen de transacciones. Sin embargo, estas promociones también atrajeron a actores malintencionados que buscaban explotar el sistema creando múltiples cuentas falsas para reclamar repetidamente los beneficios de nuevos usuarios.

Para combatir el fraude, Chipper Cash inicialmente dependía de un servicio de verificación de identidad de terceros que realizaba comprobaciones KYC, incluida la validación de documentos de identidad emitidos por el gobierno y la detección de cuentas duplicadas. Si bien era efectivo a menor escala, la solución se convirtió en un cuello de botella serio a medida que los volúmenes de usuarios aumentaban, especialmente durante los períodos promocionales. Los retrasos en la verificación llegaron a ser de hasta 20 minutos, dando a los defraudadores tiempo para canjear beneficios antes de ser detectados. Durante un período de seis meses, el 16 % del presupuesto de promociones de la empresa se perdió por registros fraudulentos, y varias campañas tuvieron que cerrarse antes de tiempo, limitando la captación de usuarios legítimos.

Samee Zahid, director de ingeniería de Chipper Cash, lideró el esfuerzo para construir una alternativa más rápida y nativa de IA. La idea central era usar la búsqueda de similitud visual: convertir el selfie de cada nuevo usuario en un vector de embedding mediante una red neuronal convolucional (ConvNet), y luego consultar una base de datos vectorial para encontrar embeddings casi idénticos de usuarios existentes. Una puntuación de similitud alta marcaría una probable cuenta duplicada en tiempo real. El equipo validó el concepto con una base de datos vectorial de código abierto, pero rápidamente descubrió que gestionarla a escala de producción introducía una sobrecarga operativa inaceptable. Tras evaluar alternativas gestionadas, seleccionaron Pinecone por su latencia ultra-baja, escalabilidad a miles de millones de vectores y mínima carga de infraestructura.

El nuevo sistema —construido e implementado en menos de un mes— integra Pinecone con Snowflake como almacén de datos y un Servicio de Similitud Facial (FSS) propietario que genera embeddings y orquesta las consultas. Cuando un nuevo usuario envía un selfie, FSS integra la imagen y consulta Pinecone, que devuelve las tres coincidencias más cercanas en menos de 200 milisegundos. El backend de Chipper entonces evalúa la probabilidad de coincidencia junto con los metadatos relevantes para tomar una determinación final. De extremo a extremo, el proceso de verificación completo ahora se realiza en menos de 2 segundos.

Desde su puesta en marcha, Chipper Cash ha alcanzado una precisión de verificación de selfies superior al 95 %, ha reducido los registros fraudulentos en 10 veces en todos los mercados, y ha recuperado el presupuesto de promociones que ahora fluye exclusivamente hacia nuevos clientes legítimos. Los usuarios legítimos disfrutan de una experiencia de incorporación sin fricciones, y la empresa puede ejecutar campañas promocionales más largas y efectivas. Animado por estos resultados, el equipo de ingeniería está explorando activamente aplicaciones adicionales de IA impulsadas por Pinecone.