ضرب الكتب: كيف يستخدم أكبر بنك في جنوب شرق آسيا الذكاء الاصطناعي لمحاربة الاحتيال المالي

Yوفاق ، الروبوتات قادمة لتولي وظائفنا. هذا شيء جيد ، يجب أن نكون سعداء لأنهم لأن تلك الوظائف التي يأخذونها سيئة نوعًا ما. هل تريد حقًا العودة إلى أيام يدويا مراقبة وإبلاغ والتحقيق في التحويلات المصرفية اليومية في العالم بحثًا عن مخططات الاحتيال المالي وغسيل الأموال؟ من المؤكد أن بنك DBS ، أكبر مؤسسة مالية في سنغافورة ، لا يفعل ذلك. لقد أمضت الشركة سنوات في تطوير نظام التعلم الآلي المتطور الذي يعمل على أتمتة العملية الدقيقة "لمراقبة المعاملات" ، مما يحرر المحللين البشريين لأداء أعمال ذات مستوى أعلى أثناء العمل بتوازن دقيق مع اللوائح المالية القديمة التي ربطت الصناعة . إنها أشياء رائعة. العمل مع الذكاء الاصطناعي بقلم توماس إتش دافنبورت وستيفن إم ميللر مليء بدراسات حالة مماثلة من عدد لا يحصى من الصناعات التقنية ، يبحث في التعاون الشائع بين الإنسان والذكاء الاصطناعي ويقدم نظرة ثاقبة على الآثار المحتملة لهذه التفاعلات. 

مقتبسة من العمل مع الذكاء الاصطناعي: قصص حقيقية عن التعاون بين الإنسان والآلة بواسطة Thomas H. Davenport و Steven M. Miller. أعيد طبعها بإذن من مطبعة معهد ماساتشوستس للتكنولوجيا. حقوق الطبع والنشر 2022.

بنك DBS: مراقبة المعاملات المدفوعة بالذكاء الاصطناعي

منذ إقرار قانون السرية المصرفية ، المعروف أيضًا باسم قانون الإبلاغ عن العملات والمعاملات الأجنبية ، في الولايات المتحدة في عام 1970 ، أصبحت البنوك في جميع أنحاء العالم مسؤولة من قبل الحكومات عن منع غسل الأموال والتدفقات المشبوهة عبر الحدود لمبالغ كبيرة من المال وأنواع أخرى من الجرائم المالية. يركز بنك DBS ، أكبر بنك في سنغافورة وجنوب شرق آسيا ، منذ فترة طويلة على مكافحة غسل الأموال (AML) واكتشاف الجرائم المالية والوقاية منها. وفقًا لمسؤول تنفيذي في DBS للامتثال ، "نريد التأكد من أن لدينا ضوابط داخلية صارمة داخل البنك حتى لا يتسلل الجناة وغاسلي الأموال والمتهربون من العقوبات إلى النظام المالي ، إما من خلال مصرفنا ، من خلال نظامنا الوطني ، أو دوليًا ".

حدود الأنظمة المستندة إلى القواعد لمراقبة المراقبة

كما هو الحال في البنوك الكبيرة الأخرى ، فإن مجال DBS الذي يركز على هذه القضايا ، والذي يسمى "مراقبة المعاملات" ، قد استفاد من الذكاء الاصطناعي لسنوات عديدة للقيام بهذا النوع من العمل. يقوم الأشخاص في هذه الوظيفة بتقييم التنبيهات التي يتم رفعها بواسطة نظام قائم على القواعد. تعمل القواعد على تقييم بيانات المعاملات من العديد من الأنظمة المختلفة عبر البنك ، بما في ذلك تلك الخاصة بالمستهلكين وإدارة الثروات والخدمات المصرفية المؤسسية ومدفوعاتهم. تتدفق جميع هذه المعاملات من خلال النظام القائم على القواعد للفحص ، وتحدد القواعد المعاملات التي تطابق الشروط المرتبطة بفرد أو كيان يقوم بمعاملات مشبوهة مع البنك - تلك التي تنطوي على حدث غسيل أموال محتمل ، أو نوع آخر من الاحتيال المالي. تعد الأنظمة المستندة إلى القواعد - التي كانت تُعرف في الماضي باسم "الأنظمة الخبيرة" - واحدة من أقدم أشكال الذكاء الاصطناعي ، ولكنها لا تزال مستخدمة على نطاق واسع في الأعمال المصرفية والتأمين ، وكذلك في الصناعات الأخرى.

في DBS ومعظم البنوك الأخرى في جميع أنحاء العالم ، تولد أنظمة مراقبة المعاملات المالية القائمة على القواعد من هذا النوع عددًا كبيرًا من التنبيهات كل يوم. يتمثل العيب الأساسي في أنظمة المراقبة المستندة إلى القواعد في أن معظم التنبيهات التي تم إنشاؤها - حتى 98 بالمائة - هي نتائج إيجابية كاذبة. تؤدي بعض جوانب المعاملة إلى تشغيل قاعدة تؤدي إلى وضع علامة على المعاملة في قائمة التنبيهات. ومع ذلك ، بعد متابعة التحقيق من قبل محلل بشري ، اتضح أن المعاملة التي تم التنبيه بها ليست مشبوهة في الواقع.

يتعين على محللي مراقبة المعاملات متابعة كل تنبيه ، والنظر في جميع معلومات المعاملات ذات الصلة. يجب عليهم أيضًا النظر في الملفات الشخصية للأفراد المشاركين في المعاملة ، وسلوكياتهم المالية السابقة ، وكل ما أعلنوا عنه في "اعرف عميلك" ووثائق العناية الواجبة للعملاء ، وأي شيء آخر قد يعرفه البنك عنهم. متابعة التنبيهات عملية تستغرق وقتًا طويلاً.

إذا أكد المحلل أن المعاملة مشبوهة بشكل مبرر أو تم التحقق منها على أنها احتيال ، فإن البنك ملزم قانونًا بإصدار تقرير نشاط مشبوه (SAR) إلى السلطات المختصة. هذا قرار ينطوي على مخاطر عالية ، لذلك من المهم للمحلل أن يصحح: إذا كان غير صحيح ، فقد يتم إخطار عملاء البنوك الملتزمين بالقانون بشكل غير صحيح بأنه يتم التحقيق معهم بسبب جرائم مالية. على الجانب الآخر ، إذا لم يتم اكتشاف "جهة فاعلة سيئة" والإبلاغ عنها ، فقد يؤدي ذلك إلى مشاكل تتعلق بغسل الأموال والجرائم المالية الأخرى.

في الوقت الحالي على الأقل ، لا يمكن إلغاء الأنظمة المستندة إلى القواعد لأن السلطات التنظيمية الوطنية في معظم البلدان لا تزال تطلبها. لكن المسؤولين التنفيذيين في DBS أدركوا أن هناك العديد من المصادر الإضافية للمعلومات الداخلية والخارجية المتاحة لهم والتي ، إذا تم استخدامها بشكل صحيح ، يمكن تطبيقها لتقييم كل تنبيه تلقائيًا من النظام القائم على القواعد. يمكن القيام بذلك باستخدام ML ، والتي يمكنها التعامل مع أنماط أكثر تعقيدًا وتقديم تنبؤات أكثر دقة من الأنظمة المستندة إلى القواعد.

استخدام الجيل الجديد من قدرات الذكاء الاصطناعي لتعزيز المراقبة

قبل بضع سنوات ، بدأ DBS مشروعًا لتطبيق الجيل الجديد من قدرات AI / ML جنبًا إلى جنب مع نظام الفحص القائم على القواعد. سيمكن الجمع بين البنك من تحديد أولويات جميع التنبيهات التي تم إنشاؤها بواسطة النظام القائم على القواعد وفقًا لدرجة احتمالية محسوبة عدديًا تشير إلى مستوى الشك. تم تدريب نظام غسل الأموال للتعرف على المواقف المشبوهة والاحتيالية من البيانات والنتائج الحديثة والتاريخية. في وقت المقابلات التي أجريناها ، كان نظام التصفية الجديد المستند إلى ML قيد الاستخدام لما يزيد قليلاً عن عام واحد. يقوم النظام بمراجعة جميع التنبيهات التي تم إنشاؤها بواسطة النظام القائم على القواعد ، ويخصص لكل تنبيه درجة مخاطر ، ويصنف كل تنبيه إلى فئات عالية ، ومتوسطة ، ومنخفضة المخاطر. يمكّن هذا النوع من "المعالجة اللاحقة" للتنبيهات المستندة إلى القواعد المحلل من فك شفرة أي التنبيهات التي يجب تحديد أولوياتها على الفور (تلك الموجودة في الفئات ذات المخاطر العالية والمتوسطة) وأيها يمكن أن تنتظر (تلك الموجودة في فئة المخاطر الأقل) . تتمثل إحدى الإمكانيات المهمة لنظام ML هذا في أنه يحتوي على شرح يوضح للمحلل الدليل المستخدم في إجراء التقييم الآلي لاحتمال أن تكون المعاملة مشبوهة. يساعد الشرح والتصفح الإرشادي المقدم من نموذج AI / ML المحلل على اتخاذ قرار المخاطرة الصحيح.

طور DBS أيضًا إمكانات جديدة أخرى لدعم التحقيق في المعاملات التي تم تنبيهها ، بما في ذلك نظام Network Link Analytics للكشف عن العلاقات والمعاملات المشبوهة عبر أطراف متعددة. يمكن تمثيل المعاملات المالية كرسم بياني للشبكة يُظهر الأشخاص أو الحسابات المتورطة كعقد في الشبكة وأي تفاعلات كروابط بين العقد. يمكن استخدام الرسم البياني الشبكي للعلاقات لتحديد وتقييم الأنماط المشبوهة للتدفقات المالية الداخلة والخارجة.

في موازاة ذلك ، استبدل DBS أيضًا نهجًا كثيف العمالة للتحقيق في سير العمل بمنصة جديدة تعمل على أتمتة الكثير من الدعم للمحلل للتحقيق وإدارة الحالة المتعلقة بالمراقبة. يطلق عليه CRUISE ، وهو يدمج مخرجات المحرك المستند إلى القواعد ونموذج مرشح ML ونظام تحليلات ارتباط الشبكة.

بالإضافة إلى ذلك ، يوفر نظام CRUISE للمحلل وصولاً سهلاً ومتكاملاً إلى البيانات ذات الصلة من جميع أنحاء البنك اللازمة لمتابعة المعاملات التي يحقق فيها المحلل. ضمن بيئة CRUISE هذه ، يلتقط البنك أيضًا جميع التعليقات المتعلقة بعمل المحلل في القضية ، وتساعد هذه التعليقات على تحسين أنظمة وعمليات DBS.

التأثير على المحلل

بالطبع ، تجعل هذه التطورات المحللين أكثر كفاءة في مراجعة التنبيهات. قبل بضع سنوات ، لم يكن من غير المألوف أن يقضي محلل مراقبة المعاملات في DBS ساعتين أو أكثر في البحث في تنبيه. تضمن هذا الوقت وقت التحضير للواجهة الأمامية لجلب البيانات من أنظمة متعددة ولجمع المعاملات السابقة ذات الصلة يدويًا ، ووقت التحليل الفعلي لتقييم الأدلة ، والبحث عن الأنماط ، وإصدار الحكم النهائي فيما إذا كان التنبيه قد ظهر أم لا أن تكون صفقة مشبوهة حسنة النية.

بعد تنفيذ أدوات متعددة ، بما في ذلك CRUISE و Network Link Analytics ونموذج الفلتر المستند إلى ML ، يستطيع المحللون حل حوالي ثلث الحالات الإضافية في نفس الفترة الزمنية. أيضًا ، بالنسبة للحالات عالية الخطورة التي تم تحديدها باستخدام هذه الأدوات ، فإن DBS قادرة على التقاط "الجهات الفاعلة السيئة" بشكل أسرع من ذي قبل. 

وتعليقًا على كيفية اختلاف ذلك عن مناهج المراقبة التقليدية ، شارك رئيس مراقبة المعاملات DBS ما يلي:

اليوم في DBS ، تستطيع أجهزتنا جمع بيانات الدعم اللازمة من مصادر مختلفة عبر البنك وتقديمها على شاشة محللنا. الآن يمكن للمحلل رؤية المعلومات الداعمة ذات الصلة بكل تنبيه بسهولة واتخاذ القرار الصحيح دون البحث في ستين نظامًا مختلفًا للحصول على البيانات الداعمة. تقوم الآلات الآن بهذا للمحلل أسرع بكثير من الإنسان. إنه يجعل حياة المحللين أسهل وقراراتهم أكثر دقة.

في الماضي ، بسبب القيود العملية ، كان محللو مراقبة المعاملات قادرين على جمع واستخدام جزء صغير فقط من البيانات داخل البنك ذات الصلة بمراجعة التنبيه. اليوم في DBS ، مع أدواتنا وعملياتنا الجديدة ، يستطيع المحلل اتخاذ القرارات بناءً على الوصول الفوري والتلقائي إلى جميع البيانات ذات الصلة داخل البنك حول المعاملة تقريبًا. يرون هذه البيانات ، منظمة بشكل جيد بطريقة مكثفة على شاشتهم ، مع درجة مخاطر وبمساعدة من شرح يوجههم من خلال الأدلة التي أدت إلى إخراج النموذج.

استثمرت DBS في "رفع" مجموعة المهارات عبر الموظفين الذين شاركوا في إنشاء واستخدام أنظمة المراقبة الجديدة هذه. ومن بين الموظفين المستفيدين من رفع المهارات محللو مراقبة المعاملات الذين لديهم خبرة في الكشف عن الجرائم المالية وتم تدريبهم على استخدام منصة التكنولوجيا الجديدة وعلى مهارات تحليل البيانات ذات الصلة. ساعدت الفرق في تصميم الأنظمة الجديدة ، بدءًا من عمل الواجهة الأمامية لتحديد أنماط المخاطر. كما قدموا مدخلات لتحديد البيانات الأكثر منطقية للاستخدام ، وحيث يمكن أن تكون تحليلات البيانات الآلية وإمكانيات التعلم الآلي مفيدة للغاية بالنسبة لهم.

عندما سُئل كيف ستؤثر الأنظمة على محللي المعاملات البشرية في المستقبل ، قال مسؤول الامتثال DBS:

الكفاءة مهمة دائمًا ، ويجب أن نسعى دائمًا للوصول إلى مستويات أعلى منها. نريد التعامل مع الجوانب القائمة على المعاملات لأعباء عمل المراقبة الحالية والمستقبلية مع عدد أقل من الأشخاص ، ثم إعادة استثمار السعة المحررة في مجالات جديدة للمراقبة ومنع الاحتيال. ستكون هناك دائمًا أبعاد غير معروفة وجديدة للسلوك المالي السيئ والأطراف السيئة ، ونحن بحاجة إلى استثمار المزيد من الوقت والمزيد من الأشخاص في هذه الأنواع من المجالات. وبقدر ما نستطيع ، سنفعل ذلك من خلال إعادة استثمار مكاسب الكفاءة التي نحققها ضمن جهودنا القياسية لمراقبة المعاملات.

المرحلة التالية من مراقبة المعاملات

يتطلع البنك بشكل عام إلى أن تصبح مراقبة المعاملات أكثر تكاملاً واستباقية. بدلاً من مجرد الاعتماد على التنبيهات التي يتم إنشاؤها من المحرك المستند إلى القواعد ، يرغب المسؤولون التنفيذيون في الاستفادة من مستويات متعددة من المراقبة المتكاملة للمخاطر للمراقبة الشاملة من "معاملة إلى حساب إلى عميل إلى شبكة إلى ماكرو". هذا المزيج من شأنه أن يساعد البنك في العثور على المزيد من الجهات السيئة ، والقيام بذلك بشكل أكثر فعالية وكفاءة. وأوضح المسؤول التنفيذي للامتثال ما يلي:

من المهم ملاحظة أن غاسلي الأموال والمتهربين من العقوبات يجدون دائمًا طرقًا جديدة للقيام بالأشياء. يحتاج موظفونا إلى العمل باستخدام إمكانات تحليل البيانات والتقنية لدينا للبقاء في صدارة هذه التهديدات الناشئة. نريد توفير الوقت الذي يقضيه موظفونا في الجوانب اليدوية المملة لمراجعة التنبيهات ، واستخدام ذلك الوقت لمواكبة التهديدات الناشئة.

سيستمر المحللون البشريون في لعب دور مهم في مراقبة معاملات مكافحة غسل الأموال ، على الرغم من أن الطريقة التي يستخدمون بها وقتهم وخبراتهم البشرية ستستمر في التطور.

كما شارك المدير التنفيذي للامتثال وجهة نظر حول الذكاء الاصطناعي: "إنه حقًا الذكاء المعزز ، بدلاً من الذكاء الاصطناعي الآلي في مراقبة المخاطر. لا نعتقد أنه يمكننا حذف الحكم البشري من القرارات النهائية لأنه سيكون هناك دائمًا عنصر شخصي لتقييم ما هو مشبوه وما هو غير مشبوه في سياق غسيل الأموال والجرائم المالية الأخرى. لا يمكننا استبعاد هذا العنصر الذاتي ، ولكن يمكننا تقليل العمل اليدوي الذي يقوم به المحلل البشري كجزء من مراجعة التنبيهات وتقييمها ".

الدروس التي تعلمناها من هذه القضية

• إن النظام الآلي الذي يولد أعدادًا كبيرة من التنبيهات التي يتضح أن معظمها إيجابي كاذب لا ينقذ العمالة البشرية.

• يمكن الجمع بين أنواع متعددة من تقنيات الذكاء الاصطناعي (في هذه الحالة ، القواعد و ML و Network Link Analytics) لتحسين قدرات النظام.

• قد لا تقلل الشركات من عدد الأشخاص الذين يقومون بعمل ما حتى عندما يحسن نظام الذكاء الاصطناعي بشكل كبير من كفاءة القيام بذلك. بدلاً من ذلك ، يمكن للموظفين استخدام وقت فراغهم للعمل في مهام جديدة وذات قيمة أعلى في وظائفهم.

• نظرًا لأنه ستكون هناك دائمًا عناصر ذاتية في تقييم المعاملات التجارية المعقدة ، فقد لا يتم استبعاد الحكم البشري من عملية التقييم.