Удряне на книгите: Как най-голямата банка в Югоизточна Азия използва AI за борба с финансовите измами

YДа, роботите идват да ни заемат работата. Това е нещо хубаво, трябва да сме щастливи, че са, защото тези работни места, които приемат, са доста гадни. Наистина ли искате да се върнете към дните на ръчно наблюдение, маркиране и разследване на ежедневните банкови преводи в света в търсене на финансови измами и схеми за пране на пари? DBS Bank, най-голямата финансова институция в Сингапур, със сигурност не го прави. Компанията е прекарала години в разработването на авангардна система за машинно обучение, която силно автоматизира засегнатия от дребни детайли процес на „наблюдение на транзакции“, освобождавайки човешките анализатори да извършват работа на по-високо ниво, като същевременно работят в деликатен баланс с античните финансови разпоредби, които обвързват индустрията . Това са очарователни неща. Работа с AI от Томас Х. Дейвънпорт и Стивън М. Милър е изпълнено с подобни казуси от безброй технологични индустрии, разглеждащи обичайното сътрудничество между човек и изкуствен интелект и предоставящи представа за потенциалните последици от тези взаимодействия. 

Откъс от Работа с AI: Реални истории за сътрудничество между човек и машина от Томас Х. Дейвънпорт и Стивън М. Милър. Препечатано с разрешение от The MIT Press. Авторско право 2022.

DBS Bank: Наблюдение на транзакции, управлявано от AI

След приемането на Закона за банковата тайна, известен още като Закон за отчитане на валутата и чуждестранните транзакции, в САЩ през 1970 г., банките по света са държани отговорни от правителствата за предотвратяване на пране на пари, подозрителни трансгранични потоци на големи количества пари и други видове финансови престъпления. DBS Bank, най-голямата банка в Сингапур и в Югоизточна Азия, отдавна се фокусира върху борбата с прането на пари (AML) и разкриването и предотвратяването на финансови престъпления. Според изпълнителен директор на DBS за съответствие, „Искаме да сме сигурни, че имаме строг вътрешен контрол в банката, така че извършителите, перачите на пари и избягващите санкции да не проникват във финансовата система, нито през нашата банка, нито през нашата национална система , или в международен план.“

Ограниченията на базираните на правила системи за мониторинг на наблюдение

Както и в други големи банки, областта на DBS, която се фокусира върху тези проблеми, наречена „наблюдение на транзакции“, се възползва от AI в продължение на много години, за да върши този тип работа. Хората в тази функция оценяват предупрежденията, повдигнати от система, базирана на правила. Правилата оценяват данните за транзакциите от много различни системи в банката, включително тези за потребителите, управление на богатството, институционално банкиране и техните плащания. Всички тези транзакции преминават през базираната на правила система за скрининг и правилата маркират транзакции, които отговарят на условия, свързани с физическо или юридическо лице, извършващи подозрителни транзакции с банката - такива, включващи потенциално събитие за пране на пари или друг вид финансова измама. Системите, базирани на правила – в миналото известни като „експертни системи“ – са една от най-старите форми на ИИ, но все още се използват широко в банкирането и застраховането, както и в други индустрии.

В DBS и повечето други банки по света базираните на правила системи за наблюдение на финансови транзакции от този вид генерират голям брой сигнали всеки ден. Основният недостатък на базираните на правила системи за наблюдение е, че повечето - до 98 процента - от генерираните сигнали са фалшиви положителни резултати. Някои аспекти на транзакцията задействат правило, което кара транзакцията да бъде маркирана в списъка с предупреждения. Въпреки това, след последващо разследване от човешки анализатор, се оказва, че предупредената транзакция всъщност не е подозрителна.

Анализаторите за наблюдение на транзакциите трябва да проследят всеки сигнал, като разглеждат цялата съответна информация за транзакциите. Те трябва също така да вземат предвид профилите на лицата, участващи в транзакцията, миналото им финансово поведение, каквото и да са декларирали в „познайте своя клиент“ и документите за надлежна проверка на клиента, както и всичко друго, което банката може да знае за тях. Проследяването на сигналите е процес, който отнема време.

Ако анализаторът потвърди, че дадена транзакция е основателно подозрителна или потвърдена като измама, банката има законово задължение да издаде Доклад за подозрителна дейност (SAR) на съответните власти. Това е решение с високи залози, така че е важно анализаторът да го вземе правилно: ако е неправилно, спазващите закона клиенти на банката могат да бъдат неправилно уведомени, че са разследвани за финансови престъпления. От друга страна, ако „лошият актьор” не бъде открит и докладван, това може да доведе до проблеми, свързани с пране на пари и други финансови престъпления.

Поне засега базираните на правила системи не могат да бъдат премахнати, тъй като националните регулаторни органи в повечето страни все още ги изискват. Но ръководителите на DBS осъзнаха, че има много допълнителни източници на вътрешна и външна информация, достъпни за тях, които, ако се използват правилно, могат да бъдат приложени за автоматично оценяване на всеки сигнал от системата, базирана на правила. Това може да се направи с помощта на ML, който може да се справи с по-сложни модели и да направи по-точни прогнози от системите, базирани на правила.

Използване на новото поколение възможности на AI за подобряване на наблюдението

Преди няколко години DBS започна проект за прилагане на новото поколение възможности на AI/ML в комбинация със съществуващата система за скрининг, базирана на правила. Комбинацията би позволила на банката да приоритизира всички предупреждения, генерирани от системата, базирана на правила, според числено изчислен вероятностен резултат, показващ нивото на подозрение. Системата ML беше обучена да разпознава подозрителни и измамни ситуации от скорошни и исторически данни и резултати. По време на нашите интервюта новата система за филтриране, базирана на ML, се използва малко повече от една година. Системата преглежда всички предупреждения, генерирани от базираната на правила система, присвоява на всяко предупреждение оценка на риска и категоризира всяко предупреждение в категории с по-висок, среден и по-нисък риск. Този тип „последваща обработка“ на базираните на правила предупреждения позволява на анализатора да дешифрира кои да приоритизира незабавно (тези в категориите с по-висок и среден риск) и кои могат да изчакат (тези в категорията с най-нисък риск) . Важна способност на тази система за машинно обучение е, че тя има обяснител, който показва на анализатора доказателствата, използвани при извършване на автоматизирана оценка на вероятността транзакцията да е подозрителна. Обяснението и насочваната навигация, дадени от модела AI/ML, помагат на анализатора да вземе правилното решение за риск.

DBS също така разработи други нови възможности в подкрепа на разследването на предупредени транзакции, включително система за анализ на мрежовите връзки за откриване на подозрителни взаимоотношения и транзакции между множество страни. Финансовите транзакции могат да бъдат представени като мрежова графика, показваща хората или акаунтите, включени като възли в мрежата и всички взаимодействия като връзки между възлите. Тази мрежова графика на връзки може да се използва за идентифициране и допълнителна оценка на подозрителни модели на финансови входящи и изходящи потоци.

Успоредно с това DBS замени трудоемкия подход към работния процес на разследване с нова платформа, която автоматизира за анализатора голяма част от поддръжката за разследване, свързано с наблюдение и управление на случаи. Наречен CRUISE, той интегрира резултатите от базирания на правила двигател, филтърния модел на ML и системата за анализ на мрежовите връзки.

Освен това системата CRUISE предоставя на анализатора лесен и интегриран достъп до съответните данни от цялата банка, необходими за проследяване на транзакциите, които анализаторът разследва. В рамките на тази CRUISE среда банката също така улавя цялата обратна връзка, свързана с работата на анализатора по случая, и тази обратна връзка помага за по-нататъшното подобряване на системите и процесите на DBS.

Въздействие върху анализатора

Разбира се, тези разработки правят анализаторите много по-ефективни при прегледа на сигналите. Преди няколко години не беше необичайно анализатор за наблюдение на транзакции на DBS да прекара два или повече часа в разглеждане на сигнал. Това време включваше времето за предварителна подготовка за извличане на данни от множество системи и ръчно съпоставяне на съответните минали транзакции, както и действителното време за анализ за оценка на доказателствата, търсене на модели и вземане на окончателна преценка дали предупреждението се е появило или не да бъде добросъвестна подозрителна сделка.

След внедряването на множество инструменти, включително CRUISE, Network Link Analytics и филтърния модел, базиран на ML, анализаторите са в състояние да разрешат около една трета повече случаи за същото време. Също така, за високорисковите случаи, които са идентифицирани с помощта на тези инструменти, DBS е в състояние да хване „лошите актьори“ по-бързо от преди. 

Коментирайки как това се различава от традиционните подходи за наблюдение, ръководителят на DBS за наблюдение на транзакциите сподели следното:

Днес в DBS нашите машини са в състояние да събират необходимите данни за поддръжка от различни източници в цялата банка и да ги представят на екрана на нашия анализатор. Сега анализаторът може лесно да види съответната подкрепяща информация за всеки сигнал и да вземе правилното решение, без да търси в шестдесет различни системи, за да получи подкрепящите данни. Сега машините правят това за анализатора много по-бързо, отколкото човек. Това прави живота на анализаторите по-лесен и решенията им много по-резки.

В миналото, поради практически ограничения, анализаторите за наблюдение на транзакциите успяха да съберат и използват само малка част от данните в банката, които бяха от значение за прегледа на сигнала. Днес в DBS, с нашите нови инструменти и процеси, анализаторът е в състояние да взема решения въз основа на незабавен, автоматичен достъп до почти всички съответни данни в банката за транзакцията. Те виждат тези данни, добре организирани по съкратен начин на своя екран, с оценка на риска и с помощта на обяснител, който ги води през доказателствата, довели до изхода на модела.

DBS инвестира в „повдигане“ на набор от умения на персонала, който участваше в създаването и използването на тези нови системи за наблюдение. Сред служителите, които се възползваха от повишаването на уменията, бяха анализаторите за наблюдение на транзакции, които имаха опит в разкриването на финансови престъпления и бяха обучени да използват новата технологична платформа и в съответните умения за анализ на данни. Екипите помогнаха за проектирането на новите системи, като се започне с предната работа за идентифициране на типологиите на риска. Те също предоставиха информация за идентифициране на данните, които имат най-голям смисъл да се използват и където автоматизираният анализ на данни и възможностите за машинно обучение могат да бъдат най-полезни за тях.

На въпрос как системите ще повлияят на анализаторите на човешки транзакции в бъдеще, изпълнителният директор на DBS за съответствие каза:

Ефективността винаги е важна и винаги трябва да се стремим към по-високи нива от нея. Искаме да се справим с базираните на транзакции аспекти на нашето текущо и бъдещо работно натоварване за наблюдение с по-малко хора и след това да реинвестираме освободения капацитет в нови области на наблюдение и предотвратяване на измами. Винаги ще има неизвестни и нови измерения на лошо финансово поведение и лоши актьори и ние трябва да инвестираме повече време и повече хора в тези видове области. Доколкото можем, ще направим това чрез реинвестиране на печалбите от ефективността, които постигаме в нашите по-стандартни усилия за наблюдение на транзакции.

Следващата фаза на наблюдение на транзакции

Общият стремеж на банката е наблюдението на транзакциите да стане по-интегрирано и по-проактивно. Вместо просто да разчитат на предупреждения, генерирани от базирания на правила двигател, ръководителите искат да използват множество нива на интегрирано наблюдение на риска, за да наблюдават холистично от нивата „транзакция към акаунт към клиент към мрежа до макро“. Тази комбинация ще помогне на банката да намери повече лоши участници и да го направи по-ефективно и ефикасно. Изпълнителният директор по съответствието разясни:

Важно е да се отбележи, че перачите на пари и избягващите санкции винаги намират нови начини да правят нещата. Нашите хора трябва да работят с нашите технологии и възможности за анализ на данни, за да изпреварят тези нововъзникващи заплахи. Искаме да освободим времето, което нашите хора са прекарвали в досадните, ръчни аспекти на прегледа на сигналите, и да използваме това време, за да сме в крак с нововъзникващите заплахи.

Човешките анализатори ще продължат да играят важна роля в наблюдението на AML транзакции, въпреки че начинът, по който използват времето си и човешкият им опит ще продължат да се развиват.

Изпълнителният директор по съответствието също сподели гледна точка за AI: „Това наистина е разширена интелигентност, а не автоматизиран AI при наблюдение на риска. Не смятаме, че можем да премахнем човешката преценка от крайните решения, защото винаги ще има субективен елемент в оценките за това кое е и кое не е подозрително в контекста на пране на пари и други финансови престъпления. Не можем да елиминираме този субективен елемент, но можем да сведем до минимум ръчната работа, която човешкият анализатор извършва като част от прегледа и оценката на сигналите.“

Уроци, които научихме от този случай

• Автоматизирана система, която генерира голям брой сигнали, повечето от които се оказват фалшиви положителни резултати, не спестява човешки труд.

• Множество видове AI технология (в този случай правила, ML и анализ на мрежовите връзки) могат да се комбинират, за да се подобрят възможностите на системата.

• Компаниите може да не намалят броя на хората, които вършат дадена работа, дори когато AI системата значително подобрява ефективността на това. По-скоро служителите могат да използват освободеното време, за да работят върху нови и по-ценни задачи в работата си.

• Тъй като винаги ще има субективни елементи в оценката на сложни бизнес транзакции, човешката преценка може да не бъде елиминирана от процеса на оценка.