ضد پولشویی روباتیک، نسل بعدی هوش مصنوعی

مبارزه با پولشویی یک موضوع داغ و نقطه ثقیل نظارتی برای موسسات مالی برای دهه ها بوده است. قانون میهن پرستان ایالات متحده الزامات شناسایی و گزارش را گسترش داد. “قاعده نهایی” نیویورک ۵۰۴ انتظارات کنترل دقیق تر را اضافه کرد. و بر اساس آن پنجمین دستورالعمل ضد پولشویی اتحادیه اروپا (۵AMLD) تنظیم شد و مسئولیت اجرای مقررات سختگیرانه تر ایالات متحده را بر عهده شرکت های اروپایی می گذارد.

تعداد کمی از مؤسسات مالی واقعاً آماده هستند. صحبت‌های زیادی در مورد ارتقای زرادخانه مبارزه با پولشویی(AML )به سطح بعدی، با تکیه بر پیشرفت‌هایی مانند روباتیک ، تحلیل معنایی و هوش مصنوعی (AI) وجود دارد. این در مورد خودکارسازی، کارآمدی و موثرتر کردن فرآیندهای AML است. تقویت رویکردهای مبتنی بر قوانین سنتی برای کاهش نرخ مثبت کاذب و شناسایی و پیش‌بینی دقیق‌تر فعالیت‌هایی است که ارزش بررسی دارد.

اخیراً کارهای زیادی برای اعمال هوش مصنوعی در پولشویی انجام شده است، استفاده از اتوماسیون فرآیند روباتیک برای بررسی و آماده‌سازی سریع‌تر پرونده‌ها یکی از این اقدامات بوده است. با این حال، شروع به پذیرش یادگیری ماشینی نه تنها برای اتوماسیون فرآیند، امتیازدهی و خواب زمستانی، بلکه برای تکمیل یا حتی جایگزینی منطق سنتی بولی برای تشخیص فعالیت مشکوک بالقوه داریم.

سرعت تکامل AML در مناطق جهانی متفاوت است. در جایی که نظارت دقیق تر است، این روند سریع تر است و در جاهای دیگر کندتر. در مورد چهار فناوری پیشرفته AML و نحوه استفاده از آنها
بیانیه مشترک دسامبر ۲۰۱۸ که توسط مقامات ایالات متحده صادر شد و از موسسات مالی خواست تا رویکردهای نوآورانه را در نظر بگیرند، ارزیابی کنند، و در صورت لزوم، مسئولانه اجرا کنند. تا به تعهدات انطباق با AML عمل کنند. با این حال، یک پیام واضح برای انجام این کار در یک جعبه آزمایشی یا به صورت موازی تا زمانی که رویکردهای جدید اثبات شود وجود دارد.
حاکمیت مدل دقیق را ایجاد کنید. آیا الگوریتم ها هنوز کار می کنند؟ آیا پرونده ها به طور مناسب تسریع می شوند یا خواب زمستانی می شوند؟ آیا مدل ها در صورت لزوم نظارت و تنظیم می شوند؟ به خصوص در خارج از ایالات متحده، تأکید کافی بر این سطح از کنترل وجود ندارد. اغلب تنها زمانی که یک بانک دچار مشکل می شود و در اخبار، سؤالاتی در مورد مدل حاکمیت ریسک مطرح می شود.به اشتراک گذاری ایمن داده ها در سراسر مرزها توجه می شود. قبل از اینکه صنعت بتواند یادگیری ماشینی را به روشی معنادار اتخاذ کند، باید بتوانیم به طور ایمن داده ها را در سراسر مرزها در دنیای GDPR به اشتراک بگذاریم. ما به فناوری هایی مانند رمزگذاری همومورفیک (که محاسبات را بر روی داده ها بدون رمزگشایی انجام می دهد) نیاز داریم تا از قلمرو نظری به دنیای واقعی تکامل یابند.
یک رویکرد ترکیبی را در نظر بگیرید. هیچ کس حاضر نیست سیستم های مبتنی بر قوانین خود را رها کند و به طور کامل آنها را با مدل های تحلیلی و روباتیک جایگزین کند. ما شاهد یک رویکرد ترکیبی هستیم. از مدل هایی استفاده کنید که در آن قوانین کوتاهی کنند. مدل‌های تحلیلی در موقعیت‌هایی می‌درخشند که نیاز به تشخیص الگوهای پیچیده از رفتارهای کاملاً تعریف شده دارند.
نگاهی دقیق به بنیاد داده بیندازید. هوش مصنوعی و یادگیری ماشینی می توانند عملکرد بسیار خوبی را در فرآیندهای AML ایجاد کنند. در بانک های بزرگ، مسائل مربوط به کیفیت داده ها شایع است. بسیاری هنوز با اصول اولیه دریافت یک دیدگاه واحد از مشتری از منظر ریسک مبارزه می کنند.

زمان بازرسان را روی با ارزش ترین هشدارها متمرکز کنید. توابع ارجاع خودکار یا خواب زمستانی از یک موتور هوش مصنوعی برای محاسبه امتیاز ریسک بر اساس متغیرها و دسته‌های ریسک پیچیده استفاده می‌کنند سپس یا تسریع در افزایش هشدار برای بازبینی انجام می‌شود.
از یادگیری ماشینی برای شناسایی رویدادهای نادر استفاده کنید. یک مدل یادگیری بدون نظارت می‌تواند از طریق حجم عظیمی از داده‌ها برای یافتن یک ریسک ناشناخته که یافتن آن با استفاده از روش‌های سنتی دشوار است، حرکت کند. لازم نیست بدانید که آیا یک شخص یا موجودیت خاص خوب است یا بد، فقط کدام یک “مورد لبه” هستند که نسبت به همتایان خود خارج از هنجار رفتار می کنند.
بهترین روش ها را در بسته های قابل استفاده مجدد جاسازی کنید. همانطور که از پروژه‌های آزمایشی یاد می‌گیریم، بهترین روش‌ها را در یک ربات بسته‌بندی کرده‌ایم که ایجاد، انتشار و بازآموزی مدل‌های یادگیری ماشین را خودکار می‌کند. این متغیرها را از قبل انتخاب می کند و مدل های مناسب را بر اساس نمونه برداری از رویدادهای نادر توصیه می کند.