Как искусственный интеллект борется с финансовыми преступлениями

Как искусственный интеллект борется с финансовыми преступлениями

Искусственный интеллект и машинное обучение переходят «из стадии научного открытия в стадию внедрения в практику». За последний десяток лет написаны сложнейшие алгоритмы, разработаны подходы к работе с массивами данных, технология ИИ достигла уровня, позволяющего приступить к ее применению для решения самых различных практических задач.
Эксперты / Евгений Воловик 29 Июн 2019, 20:00
Как искусственный интеллект борется с финансовыми преступлениями

Борьба с финансовыми преступлениями требует немалых затрат. В одних только США расходы частного сектора на комплаенс в области противодействия отмыванию денег (ПОД) оцениваются цифрой $23,5 млрд в год. Не отстают от США и европейские банки, издержки которых достигают $20 млрд в год. Цифры, несомненно, шокирующие. Однако, эти затраты дают незначительный результат. В последнее время регуляторы повысили внимание к реализации режимов ПОД в банках и стали практиковать наказание серьезными штрафами кредитных организаций, не выполняющих установленные требования.

Финансовая отрасль сегодня характеризуется интенсивным внедрением новых технологий, ускорением платежей, стремительно растущей доступностью данных и непрерывно меняющейся нормативно-правовой базой. Организациям финансового рынка приходится работать с множеством сообщений о подозрительной деятельности, плюс к этому учитывать возрастающий поток геополитических санкций. Эти тенденции значительно усложнили защиту от финансовых преступлений и повысили риски нарушения требований закона. Нагрузка на организации быстро возрастает. Поскольку она не показывает никаких признаков ослабления в будущем, подразделение мониторинга и комплаенса финансовых организаций часто выходит на первые места в перечне материальных издержек финансовой организации. Поэтому внедрение новых технологий становится не столько ответом на требования регуляторов, сколько средством повышения рентабельности инвестиций в финансовые организации.

В наши дни у финансовых организаций появляется возможность кардинально изменить ситуацию в сфере комплаенса за счет использования ИИ и машинного обучения для поиска платежей преступников – наркодилеров, незаконных торговцев оружием и т. д., а также для выявления отмывания денег, подпитывающего эти преступления. Мониторинг большого количества операций с целью выявления отмывания денег сегодня представляется «довольно рискованным» делом. До сих пор его выполняли специалисты, обученные поиску признаков подозрительной финансовой деятельности. Массив операций сегментируется по отдельным категориям: вид бизнеса, его местонахождение, рассчитанный банком уровень риска. В результате на выходе получается большое количество ложноположительных срабатываний системы на операции, отнесенные к классу подозрительных. На первой стадии оценки операций ложноположительными оказываются 95% сигналов. До 98% сигналов не выливаются в отправку сообщения о подозрительной деятельности в финразведку. ИИ же позволил банкам увидеть данные, «сгенерированные по 500 точкам замера» (вместо обычного анализа транзакций с разбивкой на 20–30 категориям).

Функция предотвращения финансовых преступлений, возможно, прежде всего ориентирована на работу с клиентами финансовых организаций. Другой областью, где может оказаться выгодным применение ИИ и машинного обучения, является предотвращение мошенничества. В этой сфере банку продолжает угрожать множество новых рисков, таких как пиринговые платежи, новые платежные системы и системы быстрых платежей. Банки ощущают давление со стороны фирм финтеха и операторов нового поколения, которые покушаются на их долю рынка со значительно большей бесцеремонностью. В этой ситуации банкам приходится шевелиться и ускорять внедрение инноваций. В программах по техническому перевооружению фирмы вынуждены уделять все большее внимание борьбе с финансовыми преступлениями.

Благодаря специфике своей деятельности банки имеют доступ к огромным объемам данных. Это дает им возможность строить модели и обучать систему тому, как должны выглядеть «обычные» операции, и на этом фоне выявлять операции, требующие углубленного изучения. В результате финансовая организация получает возможность перейти от работы с большими объемами данных к целенаправленному анализу отдельных транзакций.

До сих пор комплаенс в области противодействия отмыванию преступных доходов брал на вооружение новые технологии относительно неохотно. Однако в тенденции в этой области изменились. Банкам приходится искать дополнительные деньги на комплаенс, и при этом не терять из виду выполнение главных функций и контроль качества работы. Это вынуждает их автоматизировать трудоемкие рутинные задачи, такие как сбор данных и сортировка сигналов, для чего они обращаются к инновационным технологиям ИИ и машинного обучения.

Использование ИИ позволяет резко сократить количество сигналов ложного срабатывания, и одновременно увеличить число операций для последующего углубленного анализа. С помощью ИИ удается не только уйти от информационного шума, и соответственно, от проведения анализа не имеющих никакой ценности сигналов, но и обнаружить новые зоны рисков. Повышается не только эффективность, но и общая производительность комплаенса.

ИИ способен оказать помощь банкам в решении двух задач: он позволяет повысить эффективность и результативность расследований финансовых преступлений и поднять качество управления рисками. Кроме этого, с помощью ИИ организации финансового рынка могут повысить уровень выполнения требований законодательства и сократить расходы на комплаенс. В частности, внедрение ИИ позволяет снизить интенсивность ложноположительных срабатываний систем мониторинга, и перебросить людей, которые до этого занимались проверкой таких сигналов, на другие участки работы с подозрительными операциями для выполнения более сложных и тонких задач. ИИ и машинное обучение обладает огромным потенциалом в плане сокращения объемов ручного труда, упрощения процедур решения повторяющихся задач, которые нередко сильно усложняют жизнь работникам как линейных подразделений, так и служб комплаенса. Комплаенс становится более осмысленным, качество, точность работы финансовой организации по выявлению рисков ОД/ФТ повышается.

В краткосрочной перспективе средства ИИ могут использоваться для выявления операций, не укладывающихся в установленные рамки контрольных показателей при рассмотрении транзакций изолированно друг от друга либо в сочетании с другими связанными транзакциями.

Искусственный интеллект: непрозрачный и прозрачный

До сих пор банковская отрасль не спешила проводить испытания новых решений в области ИИ. Там опасались так называемого «эффект черного ящика». Черным ящиком называют устройство, работа которого непрозрачна для конечного пользователя. Непрозрачный ИИ строится на нейронных сетях, алгоритмах глубокого обучения, генетических алгоритмах, ансамблях моделей и т. д. Общим для подобных методов является то, что «логику» их предсказаний и принимаемые ими решения объяснить простыми словами бывает нелегко, а в некоторых случаях и просто невозможно. Такое устройство не раскрывает связь между вводимыми в него данными и данными на выходе, пользователь просто не видит и не понимает ее. И поэтому отказывается доверять результатам работы устройства. 

Если банк не понимает принцип принятия решений машиной, ведущей финансовый мониторинг, он оказывается неспособным объяснить регулятору, каким образом выполняется действующее законодательство. Поэтому важнейшим свойством любой «заслуживающей доверия» системы ИИ является ее прозрачность и способность объяснить свои действия. Прозрачный ИИ строится на алгоритмах линейной регрессии и байесовского обучения. Эти модели являются более традиционными и легко понимаются человеком. ИИ объясняет, как он пришел к тому или иному решению.

Если непрозрачная система даст ошибочное заключение, например, выдаст ложноположительный сигнал, и не сможет объяснить его, общение с регулятором станет невозможным. Прозрачная система же объяснит, что в основе сделанного ею заключения лежит критерий, согласно которому, например, дата рождения проверяемого клиента не должна укладываться в вилку +/- 5 лет. Если затем оператор посчитает, что этот критерий использовать нельзя, он может его скорректировать (в зависимости от того, насколько он готов рисковать). Итак, ИИ в области ПОД должен обеспечить полную внятность принимаемых им решений и допускать снижение рисков до приемлемых уровней.

Сегодня наступает этап внедрения ИИ. Эксперты в предметной области работают напрямую со специалистами по обработке и анализу данных, «выдавая на гора» решения, которые являются одновременно обоснованными и эффективными.

Машинное обучение с учителем и без

Иногда термин «искусственный интеллект» неправильно используют для обозначения системы, представляющей собой сумму решений, рассчитанных на использование различных категорий данных. Мы под ИИ понимаем технологию, в том числе использующую машинное обучение и глубокое обучение, работающую с данными различной формы и объемов в целях повышения производительности труда.

Машинное обучение бывает двух видов: с учителем и без. Каждый вид имеет свои преимущества. В системе с учителем модель обучается поиску подозрительных операций на материале предварительно классифицированных данных. В системе без учителя в систему вводится массив сырых неклассифицированных данных. Система пытается отыскать в них зависимости, а затем – паттерны, которые могут указывать на отмывание денег. Одновременно система предлагает новые способы организации и анализа данных.

Любая новая технология несет новые риски, присущие только ей. Даже в системах без учителя человек, обладающий компетенцией в предметной области, берет на себя решение задач оптимизации моделей.

Роль человека можно проиллюстрировать на примере обучения банковских систем проверке по санкционным спискам. Участники любых банковских операций подлежат проверке по различным спискам, включая списки террористов, известных преступников, лиц, находящихся под санкциями и т. д. Сегодня даже самые лучшие скрининговые системы выдают высокий процент ложноположительных срабатываний. Затем эти сигналы срабатывания сортируются человеком-оператором, который либо сбрасывает сигнал, либо направляет его для углубленной проверки. В системах с учителем человек может натренировать модель на работу с сигналами на материале ранее отвергнутых гипотез. После этого эксперт – специалист в области работы с подозрительными операциями проводит испытания модели, вводя в нее новые сигналы срабатывания системы мониторинга, и наблюдая за реакцией системы. Материалы испытаний используются для оптимизационной настройки модели, которая в результате начинает делать проверку сигналов быстрее и с более высокой точностью, чем человек-оператор. 

Эксперт принимает участие во всех этапах настройки, объясняя работу системы регуляторам. Системы ИИ используют машинное обучение для оптимизации процедур сортировки операций по известным признакам их подозрительности (т. н. «красным флагам»). Это дает возможность резко сократить число ложноположительных срабатываний. Машинное обучение применяется для обеспечения интеллектуальной сегментации, позволяющей повысить качество процедур поиска необычной деятельности клиентов, и выявления известных и неизвестных «сценариев риска отмывания денег». Кроме того, машинное обучение и интеллектуальные автоматы ранжируют сигналы срабатывания по приоритетности, и сокращают общее время проведения расследований. Современные системы ИИ способны осуществлять анализ связей, строить диаграммы и идентифицировать лиц – участников подозрительных операций. Они собирают и анализируют данные, в том числе, открытых источников, например, социальных сетей. Результаты анализа используются для ранжирования конкретных клиентов по уровню риска совершения ими противоправных деяний.

Наконец модель пущена в эксплуатацию. Однако и здесь человек не исключается из процесса проверки клиентов, он осуществляет оценку решений, принятых системой при проверке на первом уровне. После того как модель покажет, что обрабатывает сигналы надлежащим образом, человек делает выборочную проверку качества ее работы. Такой подход позволяет добиться максимальной результативности (по параметру точности принятия решения по сигналу) и эффективности (банк может перебросить человека-оператора на другой участок с более сложными задачами) системы. Получается идеальный пример человеко-машинной системы, решающей задачу, которая не может быть столь же качественно решена силами только машины или только человека.

Разумеется, преступники постоянно придумывают новые способы сокрытия своей деятельности. ИИ можно использовать для поиска таких новых схем. Системы ИИ без учителя оказываются особо полезными при определении различий между обычным поведением клиента банка и возможно подозрительной деятельностью. В этом плане перспективными представляются системы так называемой интеллектуальной сегментации. Так, регулятор заставил один банк проверить 20 млн операций, которые были совершены на протяжении нескольких лет. Учитывая большой объем операций, банку было разрешено использовать для проверки новую технику. В обычных системах мониторинга банк разбивает своих клиентов на множества (сегменты) по нескольким признакам: отрасль, характер хозяйственной деятельности предприятия, его размеры и т. д. Это дает возможность применять процедуры, хорошо зарекомендовавшие себя при работе с предприятиями определенного сегмента. Недостаток такого подхода заключается в том, что эти сегменты не всегда представляют группы объектов с единообразной операционной деятельностью.

В данном проекте ИИ анализировал операции без привязки к традиционным категориям. Он проводил анализ, выявлял определенные шаблоны, создавал новые сегменты и классифицировал по ним клиентов в зависимости от их поведенческих особенностей. Например, какой-то сегмент мог включать структуры, занимающиеся крупными переводами между участниками высокочастотной торговли при участии большого числа отправителей переводов. Если операции клиента не укладывались в обычные параметры своего сегмента, система отсортировывала их для углубленного исследования и возможного последующего анализа человеком-специалистом.

Результаты проекта посчитали положительными как банк, так и регулятор. Интенсивность сигналов срабатываний системы заметно сократилась, а результативность оставшихся сигналов по сравнению с результативностью обычных аналитических систем заметно выросла.

Продолжение – на следующей неделе.

Подписывайтесь на нашу рубрику:
Для подпсики необходимо авторизироваться
Укажите вашу электронную почту в личном кабинете
Комментарий
Чтобы оставить комментарий необходимо авторизироваться