Hitting the Books: Hvordan Sydøstasiens største bank bruger kunstig intelligens til at bekæmpe økonomisk bedrageri

Yes, robotter kommer for at tage vores job. Det er en god ting, vi burde være glade for, at de er, fordi de jobs, de tager, er ret dårlige. Vil du virkelig tilbage til de dage manuelt overvågning, markering og undersøgelse af verdens daglige bankoverførsler i jagten på økonomisk bedrageri og hvidvaskordninger? DBS Bank, Singapores største finansielle institution, gør bestemt ikke. Virksomheden har brugt år på at udvikle et banebrydende maskinlæringssystem, der i høj grad automatiserer den minutiøse proces med "transaktionsovervågning", som frigør menneskelige analytikere til at udføre arbejde på et højere niveau, mens de opererer i delikat balance med de antikke finansielle regler, der bunder industrien. . Det er fascinerende ting. Arbejder med AI af Thomas H. Davenport og Steven M. Miller er fyldt med lignende casestudier fra utallige teknologiske industrier, der ser på almindeligt menneske-AI-samarbejde og giver indsigt i de potentielle implikationer af disse interaktioner. 

Uddrag fra Arbejde med AI: Real Stories of Human-Machine Collaboration af Thomas H. Davenport og Steven M. Miller. Genoptrykt med tilladelse fra The MIT Press. Copyright 2022.

DBS Bank: AI-Driven Transaction Surveillance

Siden vedtagelsen af ​​Bank Secrecy Act, også kendt som Currency and Foreign Transactions Reporting Act, i USA i 1970, er banker over hele verden blevet holdt ansvarlige af regeringer for at forhindre hvidvaskning af penge, mistænkelige grænseoverskridende strømme af store mængder af penge og andre former for økonomisk kriminalitet. DBS Bank, den største bank i Singapore og i Sydøstasien, har længe haft fokus på anti-hvidvaskning af penge (AML) og afsløring og forebyggelse af økonomisk kriminalitet. Ifølge en DBS-chef for compliance, "Vi ønsker at sikre, at vi har stram intern kontrol i banken, så gerningsmændene, hvidvaskerne og sanktionsunddragerne ikke trænger ind i det finansielle system, hverken gennem vores bank, gennem vores nationale system , eller internationalt."

Begrænsningerne for regelbaserede systemer til overvågningsovervågning

Som hos andre store banker har DBS-området, der fokuserer på disse spørgsmål, kaldet "transaktionsovervågning", udnyttet AI i mange år til at udføre denne type arbejde. Personerne i denne funktion evaluerer advarsler, der er rejst af et regelbaseret system. Reglerne vurderer transaktionsdata fra mange forskellige systemer på tværs af banken, herunder dem til forbrugere, formueforvaltning, institutionel bankvirksomhed og deres betalinger. Disse transaktioner flyder alle gennem det regelbaserede system til screening, og reglerne markerer transaktioner, der matcher forhold, der er forbundet med en person eller en enhed, der foretager mistænkelige transaktioner med banken – dem, der involverer en potentiel hvidvaskbegivenhed eller en anden form for økonomisk bedrageri. Regelbaserede systemer - tidligere kendt som "ekspertsystemer" - er en af ​​de ældste former for kunstig intelligens, men de er stadig meget udbredt i bank- og forsikringsvirksomhed såvel som i andre industrier.

Hos DBS og de fleste andre banker over hele verden genererer regelbaserede overvågningssystemer for finansielle transaktioner et stort antal advarsler hver dag. Den primære mangel ved regelbaserede overvågningssystemer er, at de fleste - op til 98 procent - af de genererede alarmer er falske positive. Nogle aspekter af transaktionen udløser en regel, der fører til, at transaktionen markeres på advarselslisten. Efter opfølgende undersøgelse fra en menneskelig analytiker viser det sig dog, at den advarede transaktion faktisk ikke er mistænkelig.

Transaktionsovervågningsanalytikerne skal følge op på hver alarm og se på alle relevante transaktionsoplysninger. De skal også overveje profilerne for de personer, der er involveret i transaktionen, deres tidligere økonomiske adfærd, hvad end de har erklæret i "kend din kunde" og kundedue diligence dokumenter og alt andet, som banken måtte vide om dem. Opfølgning på advarsler er en tidskrævende proces.

Hvis analytikeren bekræfter, at en transaktion er berettiget mistænkelig eller verificeret som svig, har banken en juridisk forpligtelse til at udstede en Suspicious Activity Report (SAR) til de relevante myndigheder. Det er en beslutning, der er meget påkrævet, så det er vigtigt for analytikeren at få det rigtigt: Hvis forkerte, lovlydige bankkunder kan blive fejlagtigt underrettet om, at de bliver efterforsket for økonomisk kriminalitet. På den anden side, hvis en "dårlig skuespiller" ikke opdages og rapporteres, kan det føre til problemer relateret til hvidvaskning af penge og anden økonomisk kriminalitet.

Indtil videre kan regelbaserede systemer i hvert fald ikke elimineres, fordi de nationale tilsynsmyndigheder i de fleste lande stadig kræver dem. Men DBS-ledere indså, at der er mange yderligere kilder til interne og eksterne informationer tilgængelige for dem, som, hvis de bruges korrekt, kunne anvendes til automatisk at evaluere hver advarsel fra det regelbaserede system. Dette kunne gøres ved hjælp af ML, som kan håndtere mere komplekse mønstre og lave mere præcise forudsigelser end regelbaserede systemer.

Brug af den nye generation af AI-kapaciteter til at forbedre overvågningen

For nogle år siden startede DBS et projekt med at anvende den nye generation af AI/ML-kapaciteter i kombination med det eksisterende regelbaserede screeningsystem. Kombinationen ville gøre det muligt for banken at prioritere alle advarsler genereret af det regelbaserede system i henhold til en numerisk beregnet sandsynlighedsscore, der angiver mistankeniveauet. ML-systemet blev trænet til at genkende mistænkelige og svigagtige situationer fra nyere og historiske data og resultater. På tidspunktet for vores interviews havde det nye ML-baserede filtreringssystem været i brug i lidt over et år. Systemet gennemgår alle de advarsler, der genereres af det regelbaserede system, tildeler hver advarsel en risikoscore og kategoriserer hver advarsel i kategorier med højere, mellem- og lavere risiko. Denne type "efterbehandling" af de regelbaserede advarsler gør det muligt for analytikeren at dechifrere, hvilke der skal prioriteres med det samme (dem i kategorierne med højere og mellemrisiko), og hvilke der kan vente (dem i kategorien med lavest risiko) . En vigtig egenskab ved dette ML-system er, at det har en forklaring, der viser analytikeren de beviser, der er brugt til at foretage den automatiserede vurdering af sandsynligheden for, at transaktionen er mistænkelig. Forklaringen og den guidede navigation, som AI/ML-modellen giver, hjælper analytikeren med at træffe den rigtige risikobeslutning.

DBS udviklede også andre nye funktioner til at understøtte undersøgelsen af ​​alarmerede transaktioner, herunder et Network Link Analytics-system til at opdage mistænkelige relationer og transaktioner på tværs af flere parter. Finansielle transaktioner kan repræsenteres som en netværksgraf, der viser de involverede personer eller konti som knudepunkter i netværket og eventuelle interaktioner som forbindelserne mellem knudepunkterne. Denne netværksgraf over relationer kan bruges til at identificere og yderligere vurdere mistænkelige mønstre for finansiel ind- og udstrømning.

Sideløbende har DBS også erstattet en arbejdskrævende tilgang til efterforskningsarbejdsgange med en ny platform, der for analytikeren automatiserer meget af støtten til overvågningsrelateret efterforskning og sagsbehandling. Kaldet CRUISE, det integrerer output fra den regelbaserede motor, ML-filtermodellen og Network Link Analytics-systemet.

Derudover giver CRUISE-systemet analytikeren nem og integreret adgang til de relevante data fra hele banken, der er nødvendige for at følge op på de transaktioner, analytikeren undersøger. Inden for dette CRUISE-miljø fanger banken også al feedback relateret til analytikerens arbejde med sagen, og denne feedback er med til at forbedre DBS's systemer og processer yderligere.

Indvirkning på analytikeren

Naturligvis gør denne udvikling analytikere meget mere effektive til at gennemgå advarsler. For et par år siden var det ikke ualmindeligt, at en DBS-transaktionsovervågningsanalytiker brugte to eller flere timer på at undersøge en alarm. Denne gang inkluderede front-end-forberedelsestiden til at hente data fra flere systemer og til manuelt at samle relevante tidligere transaktioner, og den faktiske analysetid til at evaluere beviserne, lede efter mønstre og foretage den endelige vurdering af, om advarslen dukkede op eller ej at være en bona fide mistænkelig transaktion.

Efter implementeringen af ​​flere værktøjer, herunder CRUISE, Network Link Analytics og den ML-baserede filtermodel, er analytikere i stand til at løse omkring en tredjedel flere sager på samme tid. Også for de højrisikosager, der identificeres ved hjælp af disse værktøjer, er DBS i stand til at fange de "dårlige aktører" hurtigere end før. 

I en kommentar til, hvordan dette adskiller sig fra traditionelle overvågningsmetoder, delte DBS-chefen for transaktionsovervågning følgende:

I dag hos DBS er vores maskiner i stand til at samle de nødvendige supportdata fra forskellige kilder på tværs af banken og præsentere dem på vores analytikers skærm. Nu kan analytikeren nemt se den relevante understøttende information for hver alarm og træffe den rigtige beslutning uden at søge gennem tres forskellige systemer for at få de understøttende data. Maskinerne gør det nu for analytikeren meget hurtigere, end et menneske kan. Det gør livet for analytikere lettere og deres beslutninger meget skarpere.

Tidligere var transaktionsovervågningsanalytikere på grund af praktiske begrænsninger i stand til kun at indsamle og bruge en lille del af de data i banken, der var relevante for at gennemgå advarslen. I dag hos DBS er analytikeren med vores nye værktøjer og processer i stand til at træffe beslutninger baseret på øjeblikkelig, automatisk adgang til næsten alle relevante data i banken om transaktionen. De ser disse data, pænt organiseret på en fortættet måde på deres skærm, med en risikoscore og med hjælp fra en forklaring, der guider dem gennem beviserne, der førte til modellens output.

DBS investerede i et "løfte" færdighedssæt på tværs af de medarbejdere, der var involveret i at skabe og bruge disse nye overvågningssystemer. Blandt personalet, der nyder godt af opkvalificeringen, var transaktionsovervågningsanalytikerne, som havde ekspertise i at opdage økonomisk kriminalitet og blev trænet i at bruge den nye teknologiplatform og i relevante dataanalysefærdigheder. Holdene hjalp med at designe de nye systemer, begyndende med front-end-arbejdet med at identificere risikotypologier. De leverede også input til at identificere de data, der gav mest mening at bruge, og hvor automatiseret dataanalyse og ML-funktioner kunne være mest nyttige for dem.

På spørgsmålet om, hvordan systemerne ville påvirke menneskelige transaktionsanalytikere i fremtiden, sagde DBS compliance-chefen:

Effektivitet er altid vigtigt, og vi skal altid stræbe efter højere niveauer af det. Vi ønsker at håndtere de transaktionsbaserede aspekter af vores nuværende og fremtidige overvågningsarbejdsbyrde med færre mennesker og derefter geninvestere den frigjorte kapacitet i nye områder inden for overvågning og bedrageriforebyggelse. Der vil altid være ukendte og nye dimensioner af dårlig økonomisk adfærd og dårlige aktører, og vi skal investere mere tid og flere mennesker i den slags områder. I det omfang, vi kan, vil vi gøre dette ved at geninvestere de effektivitetsgevinster, vi opnår, inden for vores mere standardiserede transaktionsovervågningsindsats.

Den næste fase af transaktionsovervågning

Bankens overordnede ambition er, at transaktionsovervågningen bliver mere integreret og mere proaktiv. I stedet for blot at stole på advarsler genereret fra den regelbaserede motor, ønsker ledere at gøre brug af flere niveauer af integreret risikoovervågning til at overvåge holistisk fra "transaktion til konto til kunde til netværk til makro" niveauer. Denne kombination ville hjælpe banken med at finde flere dårlige aktører og gøre det mere effektivt og effektivt. Overholdelseschefen uddybede:

Det er vigtigt at bemærke, at hvidvaskere og sanktionsunddragere altid finder nye måder at gøre tingene på. Vores medarbejdere skal arbejde med vores teknologi og dataanalysefunktioner for at være på forkant med disse nye trusler. Vi ønsker at frigøre den tid, vores folk har brugt på de kedelige, manuelle aspekter ved at gennemgå alarmer, og bruge den tid til at holde trit med de nye trusler.

Menneskelige analytikere vil fortsat spille en vigtig rolle i AML-transaktionsovervågning, selvom den måde, de bruger deres tid og deres menneskelige ekspertise på, vil fortsætte med at udvikle sig.

Overholdelseschefen delte også et perspektiv på AI: "Det er virkelig øget intelligens snarere end automatiseret AI i risikoovervågning. Vi mener ikke, at vi kan fjerne menneskelig dømmekraft fra de endelige afgørelser, fordi der altid vil være et subjektivt element i vurderinger af, hvad der er og ikke er mistænkeligt i forbindelse med hvidvask og anden økonomisk kriminalitet. Vi kan ikke eliminere dette subjektive element, men vi kan minimere det manuelle arbejde, som den menneskelige analytiker udfører som led i at gennemgå og evaluere alarmerne."

Erfaringer, vi har lært af denne sag

• Et automatiseret system, der genererer et stort antal advarsler, hvoraf de fleste viser sig at være falske positive, sparer ikke menneskeligt arbejde.

• Flere typer AI-teknologi (i dette tilfælde regler, ML og Network Link Analytics) kan kombineres for at forbedre systemets muligheder.

• Virksomheder reducerer muligvis ikke antallet af mennesker, der udfører et job, selv når AI-systemet forbedrer effektiviteten af ​​at udføre det væsentligt. Medarbejderne kan i stedet bruge den frigjorte tid til at arbejde med nye og højere værdsatte opgaver i deres job.

• Fordi der altid vil være subjektive elementer i evalueringen af ​​komplekse forretningstransaktioner, er menneskelig dømmekraft muligvis ikke elimineret fra evalueringsprocessen.