Hit the Books: Jak největší banka v jihovýchodní Asii používá AI k boji proti finančním podvodům

Yes, roboti přicházejí, aby nám vzali práci. To je dobrá věc, měli bychom být rádi, že jsou, protože ty práce, které berou, jsou docela na hovno. Opravdu se chcete vrátit do dnů ruční sledování, označování a vyšetřování každodenních bankovních převodů ve světě při hledání finančních podvodů a praní špinavých peněz? DBS Bank, největší singapurská finanční instituce, rozhodně ne. Společnost strávila roky vývojem špičkového systému strojového učení, který do značné míry automatizuje proces „sledování transakcí“ zatížený drobnostmi, čímž umožňuje lidským analytikům vykonávat práci na vyšší úrovni a přitom pracovat v křehké rovnováze se starodávnými finančními předpisy, které toto odvětví svazují. . Je to fascinující věc. Práce s AI Thomas H. Davenport a Steven M. Miller je plný podobných případových studií z nesčetných technologických odvětví, které se zabývají běžnou spoluprací člověka a umělé inteligence a poskytují vhled do potenciálních důsledků těchto interakcí. 

Výňatek z Práce s AI: Skutečné příběhy spolupráce člověka a stroje Thomas H. Davenport a Steven M. Miller. Přetištěno se svolením The MIT Press. Copyright 2022.

DBS Bank: AI-Driven Transaction Surveillance

Od přijetí zákona o bankovním tajemství, známého také jako zákon o hlášení měn a zahraničních transakcí v USA v roce 1970, vlády po celém světě nesou banky po celém světě odpovědné za předcházení praní špinavých peněz, podezřelých přeshraničních toků velkého množství peníze a další druhy finanční kriminality. DBS Bank, největší banka v Singapuru a jihovýchodní Asii, se dlouhodobě zaměřuje na boj proti praní špinavých peněz (AML) a odhalování a prevenci finanční kriminality. Podle výkonného ředitele DBS pro dodržování předpisů: „Chceme se ujistit, že máme v bance přísné vnitřní kontroly, aby pachatelé, osoby, které perou špinavé peníze, a osoby, které se vyhýbají sankcím, nepronikly do finančního systému, a to ani prostřednictvím naší banky, prostřednictvím našeho národního systému. nebo mezinárodně."

Omezení systémů založených na pravidlech pro sledování sledování

Stejně jako v jiných velkých bankách, oblast DBS, která se zaměřuje na tyto otázky, nazývaná „dohled nad transakcemi“, využívá AI po mnoho let k provádění tohoto typu práce. Lidé v této funkci vyhodnocují výstrahy vyvolané systémem založeným na pravidlech. Pravidla posuzují transakční data z mnoha různých systémů napříč bankou, včetně těch pro spotřebitele, správu majetku, institucionální bankovnictví a jejich platby. Všechny tyto transakce procházejí systémem prověřování založeným na pravidlech a pravidla označují transakce, které odpovídají podmínkám spojeným s jednotlivcem nebo subjektem provádějícím podezřelé transakce s bankou – ty, které zahrnují potenciální praní špinavých peněz nebo jiný typ finančního podvodu. Systémy založené na pravidlech – v minulosti známé jako „expertní systémy“ – jsou jednou z nejstarších forem umělé inteligence, ale stále jsou široce používány v bankovnictví a pojišťovnictví, stejně jako v jiných odvětvích.

V DBS a většině ostatních bank po celém světě systémy dohledu nad finančními transakcemi založené na pravidlech tohoto druhu generují každý den velké množství výstrah. Primárním nedostatkem sledovacích systémů založených na pravidlech je, že většina – až 98 procent – ​​generovaných výstrah jsou falešně pozitivní. Některý aspekt transakce spouští pravidlo, které vede k označení transakce na seznamu výstrah. Po následném vyšetřování lidským analytikem se však ukázalo, že varovaná transakce ve skutečnosti není podezřelá.

Analytici dohledu nad transakcemi musí sledovat každé upozornění a prohlížet všechny relevantní informace o transakcích. Musí také vzít v úvahu profily osob zapojených do transakce, jejich minulé finanční chování, vše, co deklarovali v dokumentech „poznej svého zákazníka“ a v dokumentech o náležité péči o zákazníka, a cokoli dalšího, co by o nich banka mohla vědět. Sledování výstrah je časově náročný proces.

Pokud analytik potvrdí, že transakce je oprávněně podezřelá nebo ověřená jako podvodná, má banka zákonnou povinnost vydat příslušným úřadům zprávu o podezřelé činnosti (SAR). Jedná se o vysoce důležité rozhodnutí, a proto je důležité, aby jej analytik uvedl správně: v případě nesprávného jednání by klienti bank dodržující zákony mohli být nesprávně upozorněni, že jsou vyšetřováni pro finanční zločiny. Na druhou stranu, pokud „špatný aktér“ není odhalen a nahlášen, mohlo by to vést k problémům souvisejícím s praním špinavých peněz a dalšími finančními trestnými činy.

Systémy založené na pravidlech alespoň prozatím nelze odstranit, protože je národní regulační orgány ve většině zemí stále vyžadují. Ale vedoucí pracovníci DBS si uvědomili, že je jim k dispozici mnoho dalších zdrojů interních a externích informací, které by při správném použití mohly být použity k automatickému vyhodnocení každé výstrahy ze systému založeného na pravidlech. Toho lze dosáhnout pomocí ML, které se dokáže vypořádat se složitějšími vzory a vytvářet přesnější předpovědi než systémy založené na pravidlech.

Použití nové generace schopností umělé inteligence ke zlepšení dohledu

Před několika lety společnost DBS zahájila projekt aplikace nové generace schopností AI/ML v kombinaci se stávajícím systémem screeningu založeném na pravidlech. Tato kombinace by bance umožnila upřednostnit všechna upozornění generovaná systémem založeným na pravidlech podle numericky vypočteného skóre pravděpodobnosti udávajícího úroveň podezření. Systém ML byl trénován tak, aby rozpoznával podezřelé a podvodné situace z nedávných a historických dat a výsledků. V době našich rozhovorů se nový filtrační systém založený na ML používal jen něco málo přes jeden rok. Systém kontroluje všechny výstrahy generované systémem založeným na pravidlech, přiřazuje každé výstrahě skóre rizika a kategorizuje každou výstrahu do kategorií s vyšším, středním a nižším rizikem. Tento typ „post-processingu“ výstrah založených na pravidlech umožňuje analytikovi dešifrovat, které z nich má upřednostnit okamžitě (ty v kategoriích s vyšším a středním rizikem) a které mohou počkat (ty v kategorii s nejnižším rizikem). . Důležitou schopností tohoto systému ML je to, že má vysvětlovač, který analytikovi ukazuje důkazy použité při automatizovaném hodnocení pravděpodobnosti, že je transakce podezřelá. Vysvětlení a řízená navigace poskytovaná modelem AI/ML pomáhá analytikovi učinit správné rozhodnutí o riziku.

DBS také vyvinula další nové funkce na podporu vyšetřování upozorněných transakcí, včetně systému Network Link Analytics pro detekci podezřelých vztahů a transakcí mezi více stranami. Finanční transakce mohou být reprezentovány jako síťový graf zobrazující osoby nebo účty zapojené jako uzly v síti a jakékoli interakce jako propojení mezi uzly. Tento síťový graf vztahů lze použít k identifikaci a dalšímu posouzení podezřelých vzorců finančních přílivů a odlivů.

Souběžně s tím DBS také nahradila pracovně náročný přístup k pracovnímu postupu vyšetřování novou platformou, která analytikům automatizuje velkou část podpory pro vyšetřování související se sledováním a správu případů. Nazývá se CRUISE a integruje výstupy enginu založeného na pravidlech, model filtru ML a systém Network Link Analytics.

Systém CRUISE navíc poskytuje analytikovi snadný a integrovaný přístup k relevantním datům z celé banky, která jsou potřebná pro sledování transakcí, které analytik zkoumá. V tomto prostředí CRUISE banka také zachycuje veškerou zpětnou vazbu související s prací analytika na případu a tato zpětná vazba pomáhá dále zlepšovat systémy a procesy DBS.

Dopad na analytika

Tento vývoj samozřejmě činí analytiky mnohem efektivnějšími při kontrole výstrah. Před několika lety nebylo neobvyklé, že analytik sledování transakcí DBS strávil dvě nebo více hodin zkoumáním výstrahy. Tato doba zahrnovala čas přípravy front-endu k načtení dat z více systémů a k ručnímu seřazení relevantních minulých transakcí a čas skutečné analýzy k vyhodnocení důkazů, hledání vzorců a konečnému posouzení, zda se výstraha objevila či nikoli. být v dobré víře podezřelou transakcí.

Po implementaci více nástrojů, včetně CRUISE, Network Link Analytics a modelu filtru založeného na ML, jsou analytici schopni vyřešit asi o jednu třetinu více případů za stejnou dobu. Také u vysoce rizikových případů, které jsou identifikovány pomocí těchto nástrojů, je DBS schopna zachytit „špatné aktéry“ rychleji než dříve. 

V komentáři k tomu, jak se to liší od tradičních přístupů k dohledu, vedoucí transakčního dohledu DBS sdílel následující:

Dnes v DBS jsou naše stroje schopny shromáždit potřebná podpůrná data z různých zdrojů napříč bankou a prezentovat je na obrazovce našeho analytika. Nyní může analytik snadno zobrazit příslušné podpůrné informace pro každé upozornění a učinit správné rozhodnutí, aniž by musel prohledávat šedesát různých systémů, aby získal podpůrná data. Stroje to nyní dělají pro analytika mnohem rychleji, než to dokáže člověk. Analytikům to usnadňuje život a jejich rozhodování je mnohem ostřejší.

V minulosti byli analytici dohledu nad transakcemi kvůli praktickým omezením schopni shromažďovat a používat pouze malý zlomek dat v rámci banky, která byla relevantní pro přezkoumání výstrahy. Dnes v DBS, s našimi novými nástroji a procesy, je analytik schopen činit rozhodnutí na základě okamžitého, automatického přístupu k téměř všem relevantním datům v bance o transakci. Vidí tato data, pěkně uspořádaná zhuštěným způsobem na obrazovce, s rizikovým skóre as pomocí vysvětlovače, který je provede důkazy, které vedly k výstupu modelu.

DBS investovala do „posílení“ dovedností u zaměstnanců, kteří se podíleli na vytváření a používání těchto nových sledovacích systémů. Mezi zaměstnanci, kteří těžili ze zvýšení kvalifikace, byli analytici transakčního dohledu, kteří měli zkušenosti s odhalováním finančních trestných činů a byli vyškoleni v používání nové technologické platformy a v příslušných dovednostech v oblasti analýzy dat. Týmy pomohly navrhnout nové systémy, počínaje frontendovou prací na identifikaci typologií rizik. Poskytli také vstupy pro identifikaci dat, která měla největší smysl používat, a kde by pro ně mohla být nejužitečnější automatická analýza dat a možnosti ML.

Na otázku, jak tyto systémy v budoucnu ovlivní lidské transakční analytiky, řekl výkonný ředitel pro dodržování předpisů DBS:

Efektivita je vždy důležitá a my musíme vždy usilovat o její vyšší úrovně. Chceme zvládnout transakční aspekty naší současné a budoucí pracovní zátěže v oblasti dohledu s menším počtem lidí a uvolněnou kapacitu pak znovu investovat do nových oblastí dohledu a prevence podvodů. Vždy budou existovat neznámé a nové dimenze špatného finančního chování a špatných herců a do těchto typů oblastí musíme investovat více času a více lidí. V rámci našich možností to uděláme reinvestováním zisků z efektivity, kterých dosáhneme v rámci našich standardnějších snah o dohled nad transakcemi.

Další fáze transakčního dohledu

Celkovým cílem banky je, aby se dohled nad transakcemi stal integrovanějším a proaktivnějším. Spíše než se spoléhat na výstrahy generované z enginu založeného na pravidlech, chtějí manažeři využít více úrovní integrovaného dohledu nad riziky pro komplexní monitorování od „transakce k účtu k zákazníkovi, k síti až po makro“ úrovně. Tato kombinace by bance pomohla najít více špatných aktérů, a to efektivněji a efektivněji. Výkonný ředitel pro dodržování předpisů upřesnil:

Je důležité poznamenat, že osoby, které perou špinavé peníze a vyhýbají se sankcím, stále nacházejí nové způsoby, jak věci dělat. Naši lidé potřebují pracovat s našimi technologiemi a schopnostmi analýzy dat, aby si udrželi náskok před těmito vznikajícími hrozbami. Chceme uvolnit čas, který naši lidé tráví únavnými, manuálními aspekty kontroly výstrah, a využít tento čas k udržení kroku s nově se objevujícími hrozbami.

Lidští analytici budou i nadále hrát důležitou roli v dohledu nad transakcemi AML, i když způsob, jakým využívají svůj čas, a jejich lidská odbornost se bude i nadále vyvíjet.

Výkonný ředitel pro dodržování předpisů také sdílel pohled na AI: „Je to skutečně rozšířená inteligence, spíše než automatizovaná AI při sledování rizik. Nemyslíme si, že můžeme z konečných rozhodnutí odstranit lidský úsudek, protože hodnocení toho, co je a není podezřelé v kontextu praní špinavých peněz a jiných finančních trestných činů, bude vždy obsahovat subjektivní prvek. Tento subjektivní prvek nemůžeme eliminovat, ale můžeme minimalizovat manuální práci, kterou lidský analytik vykonává v rámci kontroly a vyhodnocování výstrah.“

Poučení, které jsme získali z tohoto případu

• Automatizovaný systém, který generuje velké množství výstrah, z nichž většina se ukáže jako falešně pozitivní, nešetří lidskou práci.

• Více typů technologie AI (v tomto případě pravidla, ML a Network Link Analytics) lze kombinovat, aby se zlepšily možnosti systému.

• Společnosti nemusí snižovat počet lidí, kteří vykonávají práci, i když systém umělé inteligence podstatně zlepšuje efektivitu jejího vykonávání. Uvolněný čas mohou zaměstnanci spíše využít k práci na nových a hodnotnějších úkolech ve svém zaměstnání.

• Protože v hodnocení složitých obchodních transakcí budou vždy existovat subjektivní prvky, nemusí být z procesu hodnocení vyloučen lidský úsudek.