Hitting the Books: Πώς η μεγαλύτερη τράπεζα της Νοτιοανατολικής Ασίας χρησιμοποιεί την τεχνητή νοημοσύνη για την καταπολέμηση της οικονομικής απάτης

YΕ., ρομπότ έρχονται να πάρουν τις δουλειές μας. Αυτό είναι καλό, θα πρέπει να είμαστε χαρούμενοι που είναι επειδή αυτές οι δουλειές που κάνουν είναι κάπως χάλια. Θέλετε πραγματικά να επιστρέψετε στις μέρες του χειροκίνητα παρακολούθηση, επισήμανση και διερεύνηση των ημερήσιων τραπεζικών μεταφορών στον κόσμο σε αναζήτηση οικονομικών συστημάτων απάτης και νομιμοποίησης εσόδων από παράνομες δραστηριότητες; Η DBS Bank, το μεγαλύτερο χρηματοπιστωτικό ίδρυμα της Σιγκαπούρης, σίγουρα δεν το κάνει. Η εταιρεία έχει περάσει χρόνια αναπτύσσοντας ένα σύστημα μηχανικής μάθησης αιχμής που αυτοματοποιεί σε μεγάλο βαθμό τη μικροσκοπική διαδικασία της «επιτήρησης συναλλαγών», απελευθερώνοντας τους ανθρώπινους αναλυτές να εκτελούν εργασίες υψηλότερου επιπέδου ενώ λειτουργούν σε λεπτή ισορροπία με τους παλιούς οικονομικούς κανονισμούς που δέσμευαν τη βιομηχανία . Είναι συναρπαστικά πράγματα. Εργασία με AI των Thomas H. Davenport και Steven M. Miller είναι γεμάτη με παρόμοιες περιπτωσιολογικές μελέτες από μυριάδες τεχνολογικές βιομηχανίες, εξετάζοντας τη συνηθισμένη συνεργασία ανθρώπου-AI και παρέχοντας πληροφορίες για τις πιθανές επιπτώσεις αυτών των αλληλεπιδράσεων. 

Απόσπασμα από την Εργασία με AI: Real Stories of Human-Machine Collaboration από τους Thomas H. Davenport και Steven M. Miller. Ανατύπωση με άδεια από το The MIT Press. Πνευματικά δικαιώματα 2022.

DBS Bank: AI-Driven Transaction Surveillance

Από την ψήφιση του νόμου περί τραπεζικού απορρήτου, γνωστός και ως νόμος αναφοράς νομισμάτων και ξένων συναλλαγών, στις ΗΠΑ το 1970, οι τράπεζες σε όλο τον κόσμο θεωρούνται υπόλογες από τις κυβερνήσεις για την πρόληψη του ξεπλύματος χρήματος, των ύποπτων διασυνοριακών ροών μεγάλων ποσών χρήματα και άλλα είδη οικονομικού εγκλήματος. Η DBS Bank, η μεγαλύτερη τράπεζα στη Σιγκαπούρη και στη Νοτιοανατολική Ασία, έχει από καιρό επικεντρωθεί στην καταπολέμηση της νομιμοποίησης εσόδων από παράνομες δραστηριότητες (AML) και στην ανίχνευση και πρόληψη του οικονομικού εγκλήματος. Σύμφωνα με στέλεχος της DBS για συμμόρφωση, «θέλουμε να διασφαλίσουμε ότι έχουμε αυστηρούς εσωτερικούς ελέγχους εντός της τράπεζας, έτσι ώστε οι δράστες, οι ξέπλυμα χρήματος και οι υπεκφυγές κυρώσεων να μην διεισδύσουν στο χρηματοπιστωτικό σύστημα, είτε μέσω της τράπεζάς μας, είτε μέσω του εθνικού μας συστήματος ή διεθνώς».

Οι περιορισμοί των συστημάτων που βασίζονται σε κανόνες για την επιτήρηση επιτήρησης

Όπως και σε άλλες μεγάλες τράπεζες, ο τομέας της DBS που εστιάζει σε αυτά τα ζητήματα, που ονομάζεται «επιτήρηση συναλλαγών», έχει εκμεταλλευτεί την τεχνητή νοημοσύνη για πολλά χρόνια για να κάνει αυτό το είδος εργασίας. Τα άτομα σε αυτήν τη λειτουργία αξιολογούν τις ειδοποιήσεις που δημιουργούνται από ένα σύστημα που βασίζεται σε κανόνες. Οι κανόνες αξιολογούν τα δεδομένα συναλλαγών από πολλά διαφορετικά συστήματα σε όλη την τράπεζα, συμπεριλαμβανομένων εκείνων για τους καταναλωτές, τη διαχείριση περιουσίας, τη θεσμική τραπεζική και τις πληρωμές τους. Αυτές οι συναλλαγές ρέουν όλες μέσω του συστήματος ελέγχου βάσει κανόνων και οι κανόνες επισημαίνουν συναλλαγές που ταιριάζουν με συνθήκες που σχετίζονται με ένα άτομο ή μια οντότητα που κάνει ύποπτες συναλλαγές με την τράπεζα—αυτές που αφορούν ένα πιθανό συμβάν ξεπλύματος χρήματος ή άλλου είδους οικονομική απάτη. Τα συστήματα που βασίζονται σε κανόνες - στο παρελθόν γνωστά ως "εξειδικευμένα συστήματα" - είναι μια από τις παλαιότερες μορφές τεχνητής νοημοσύνης, αλλά εξακολουθούν να χρησιμοποιούνται ευρέως στον τραπεζικό και ασφαλιστικό κλάδο, καθώς και σε άλλους κλάδους.

Στην DBS και στις περισσότερες άλλες τράπεζες σε όλο τον κόσμο, τέτοια συστήματα παρακολούθησης χρηματοοικονομικών συναλλαγών που βασίζονται σε κανόνες παράγουν μεγάλο αριθμό ειδοποιήσεων κάθε μέρα. Το κύριο μειονέκτημα των συστημάτων επιτήρησης που βασίζονται σε κανόνες είναι ότι οι περισσότερες — έως και 98 τοις εκατό — από τις ειδοποιήσεις που παράγονται είναι ψευδώς θετικές. Κάποια πτυχή της συναλλαγής ενεργοποιεί έναν κανόνα που οδηγεί τη συναλλαγή να επισημανθεί στη λίστα ειδοποιήσεων. Ωστόσο, μετά από έρευνα παρακολούθησης από έναν ανθρώπινο αναλυτή, αποδεικνύεται ότι η ειδοποιημένη συναλλαγή δεν είναι στην πραγματικότητα ύποπτη.

Οι αναλυτές επιτήρησης συναλλαγών πρέπει να παρακολουθούν κάθε ειδοποίηση, εξετάζοντας όλες τις σχετικές πληροφορίες συναλλαγών. Πρέπει επίσης να λάβουν υπόψη τα προφίλ των ατόμων που εμπλέκονται στη συναλλαγή, τις προηγούμενες οικονομικές τους συμπεριφορές, ό,τι έχουν δηλώσει στα έγγραφα δέουσας επιμέλειας «γνωρίζω τον πελάτη σας» και πελάτη και οτιδήποτε άλλο μπορεί να γνωρίζει η τράπεζα γι' αυτά. Η παρακολούθηση των ειδοποιήσεων είναι μια χρονοβόρα διαδικασία.

Εάν ο αναλυτής επιβεβαιώσει ότι μια συναλλαγή είναι δικαιολογημένα ύποπτη ή επαληθευτεί ως απάτη, η τράπεζα έχει νομική υποχρέωση να εκδώσει μια αναφορά ύποπτης δραστηριότητας (SAR) στις αρμόδιες αρχές. Αυτή είναι μια απόφαση υψηλού διακυβεύματος, επομένως είναι σημαντικό για τον αναλυτή να την κάνει σωστά: εάν είναι εσφαλμένη, οι νομοταγείς πελάτες τραπεζών θα μπορούσαν να ειδοποιηθούν εσφαλμένα ότι διερευνώνται για οικονομικά εγκλήματα. Από την άλλη πλευρά, εάν ένας «κακός ηθοποιός» δεν εντοπιστεί και αναφερθεί, θα μπορούσε να οδηγήσει σε προβλήματα που σχετίζονται με ξέπλυμα βρώμικου χρήματος και άλλα οικονομικά εγκλήματα.

Προς το παρόν τουλάχιστον, τα συστήματα που βασίζονται σε κανόνες δεν μπορούν να εξαλειφθούν επειδή οι εθνικές ρυθμιστικές αρχές στις περισσότερες χώρες εξακολουθούν να τα απαιτούν. Ωστόσο, τα στελέχη της DBS συνειδητοποίησαν ότι υπάρχουν διαθέσιμες πολλές πρόσθετες πηγές εσωτερικών και εξωτερικών πληροφοριών που, εάν χρησιμοποιηθούν σωστά, θα μπορούσαν να εφαρμοστούν για την αυτόματη αξιολόγηση κάθε ειδοποίησης από το σύστημα που βασίζεται σε κανόνες. Αυτό θα μπορούσε να γίνει χρησιμοποιώντας την ML, η οποία μπορεί να αντιμετωπίσει πιο πολύπλοκα μοτίβα και να κάνει πιο ακριβείς προβλέψεις από συστήματα που βασίζονται σε κανόνες.

Χρήση της Νέας Γενιάς Δυνατοτήτων AI για την ενίσχυση της επιτήρησης

Πριν από μερικά χρόνια, η DBS ξεκίνησε ένα έργο για την εφαρμογή της νέας γενιάς δυνατοτήτων AI/ML σε συνδυασμό με το υπάρχον σύστημα ελέγχου βάσει κανόνων. Ο συνδυασμός θα επέτρεπε στην τράπεζα να ιεραρχήσει όλες τις ειδοποιήσεις που παράγονται από το σύστημα που βασίζεται σε κανόνες σύμφωνα με μια αριθμητικά υπολογισμένη βαθμολογία πιθανότητας που υποδεικνύει το επίπεδο υποψίας. Το σύστημα ML εκπαιδεύτηκε ώστε να αναγνωρίζει ύποπτες και δόλιες καταστάσεις από πρόσφατα και ιστορικά δεδομένα και αποτελέσματα. Την εποχή των συνεντεύξεων μας, το νέο σύστημα φιλτραρίσματος βασισμένο σε ML ήταν σε χρήση για λίγο περισσότερο από ένα χρόνο. Το σύστημα εξετάζει όλες τις ειδοποιήσεις που δημιουργούνται από το σύστημα που βασίζεται σε κανόνες, εκχωρεί σε κάθε ειδοποίηση μια βαθμολογία κινδύνου και κατηγοριοποιεί κάθε ειδοποίηση σε κατηγορίες υψηλότερου, μεσαίου και χαμηλότερου κινδύνου. Αυτός ο τύπος «μετα-επεξεργασίας» των ειδοποιήσεων που βασίζονται σε κανόνες επιτρέπει στον αναλυτή να αποκρυπτογραφήσει ποιες πρέπει να δώσει προτεραιότητα αμέσως (αυτές που ανήκουν στις κατηγορίες υψηλότερου και μεσαίου κινδύνου) και ποιες μπορούν να περιμένουν (εκείνες στην κατηγορία χαμηλότερου κινδύνου) . Μια σημαντική ικανότητα αυτού του συστήματος ML είναι ότι διαθέτει έναν επεξηγητή που δείχνει στον αναλυτή τα στοιχεία που χρησιμοποιούνται για την αυτοματοποιημένη αξιολόγηση της πιθανότητας ότι η συναλλαγή είναι ύποπτη. Η εξήγηση και η καθοδηγούμενη πλοήγηση που δίνεται από το μοντέλο AI/ML βοηθά τον αναλυτή να λάβει τη σωστή απόφαση κινδύνου.

Η DBS ανέπτυξε επίσης άλλες νέες δυνατότητες για την υποστήριξη της διερεύνησης των ειδοποιημένων συναλλαγών, συμπεριλαμβανομένου ενός συστήματος Network Link Analytics για τον εντοπισμό ύποπτων σχέσεων και συναλλαγών μεταξύ πολλών μερών. Οι οικονομικές συναλλαγές μπορούν να αναπαρασταθούν ως ένα γράφημα δικτύου που δείχνει τα άτομα ή τους λογαριασμούς που εμπλέκονται ως κόμβοι στο δίκτυο και τυχόν αλληλεπιδράσεις ως συνδέσμους μεταξύ των κόμβων. Αυτό το γράφημα δικτύου σχέσεων μπορεί να χρησιμοποιηθεί για τον εντοπισμό και την περαιτέρω αξιολόγηση ύποπτων μορφών χρηματοοικονομικών εισροών και εκροών.

Παράλληλα, η DBS αντικατέστησε επίσης μια προσέγγιση έντασης εργασίας στη ροή εργασιών έρευνας με μια νέα πλατφόρμα που αυτοματοποιεί για τον αναλυτή μεγάλο μέρος της υποστήριξης για έρευνα και διαχείριση υποθέσεων που σχετίζεται με την παρακολούθηση. Ονομάζεται CRUISE, ενσωματώνει τις εξόδους του κινητήρα που βασίζεται σε κανόνες, του μοντέλου φίλτρου ML και του συστήματος Network Link Analytics.

Επιπλέον, το σύστημα CRUISE παρέχει στον αναλυτή εύκολη και ολοκληρωμένη πρόσβαση στα σχετικά δεδομένα από όλη την τράπεζα που απαιτούνται για την παρακολούθηση των συναλλαγών που διερευνά ο αναλυτής. Μέσα σε αυτό το περιβάλλον CRUISE, η τράπεζα συλλαμβάνει επίσης όλα τα σχόλια που σχετίζονται με την εργασία του αναλυτή για την υπόθεση, και αυτή η ανατροφοδότηση βοηθά στην περαιτέρω βελτίωση των συστημάτων και των διαδικασιών της DBS.

Αντίκτυπος στον Αναλυτή

Φυσικά, αυτές οι εξελίξεις κάνουν τους αναλυτές πολύ πιο αποτελεσματικούς στην αναθεώρηση των ειδοποιήσεων. Πριν από μερικά χρόνια, δεν ήταν ασυνήθιστο για έναν αναλυτή επιτήρησης συναλλαγών DBS να αφιερώνει δύο ή περισσότερες ώρες εξετάζοντας μια ειδοποίηση. Αυτός ο χρόνος περιλάμβανε τον χρόνο προετοιμασίας του μπροστινού τμήματος για τη λήψη δεδομένων από πολλαπλά συστήματα και τη μη αυτόματη ταξινόμηση σχετικών προηγούμενων συναλλαγών και τον πραγματικό χρόνο ανάλυσης για την αξιολόγηση των αποδεικτικών στοιχείων, την αναζήτηση μοτίβων και την τελική κρίση ως προς το εάν εμφανίστηκε ή όχι η ειδοποίηση να είναι μια καλόπιστη ύποπτη συναλλαγή.

Μετά την εφαρμογή πολλών εργαλείων, συμπεριλαμβανομένων των CRUISE, Network Link Analytics και του μοντέλου φίλτρου που βασίζεται σε ML, οι αναλυτές μπορούν να επιλύσουν περίπου το ένα τρίτο περισσότερες περιπτώσεις στο ίδιο χρονικό διάστημα. Επίσης, για τις περιπτώσεις υψηλού κινδύνου που εντοπίζονται χρησιμοποιώντας αυτά τα εργαλεία, το DBS μπορεί να πιάσει τους «κακούς ηθοποιούς» πιο γρήγορα από πριν. 

Σχολιάζοντας πώς αυτό διαφέρει από τις παραδοσιακές προσεγγίσεις επιτήρησης, ο επικεφαλής της επιτήρησης συναλλαγών του DBS μοιράστηκε τα εξής:

Σήμερα στη DBS, τα μηχανήματα μας είναι σε θέση να συλλέγουν τα απαραίτητα δεδομένα υποστήριξης από διάφορες πηγές σε όλη την τράπεζα και να τα παρουσιάζουν στην οθόνη του αναλυτή μας. Τώρα ο αναλυτής μπορεί εύκολα να δει τις σχετικές υποστηρικτικές πληροφορίες για κάθε ειδοποίηση και να λάβει τη σωστή απόφαση χωρίς να ψάξει σε εξήντα διαφορετικά συστήματα για να λάβει τα υποστηρικτικά δεδομένα. Οι μηχανές το κάνουν τώρα αυτό για τον αναλυτή πολύ πιο γρήγορα από ό,τι μπορεί ένας άνθρωπος. Κάνει τη ζωή των αναλυτών πιο εύκολη και τις αποφάσεις τους πολύ πιο ευκρινείς.

Στο παρελθόν, λόγω πρακτικών περιορισμών, οι αναλυτές επιτήρησης συναλλαγών ήταν σε θέση να συλλέξουν και να χρησιμοποιήσουν μόνο ένα μικρό μέρος των δεδομένων εντός της τράπεζας που ήταν σχετικά με την εξέταση της ειδοποίησης. Σήμερα στην DBS, με τα νέα μας εργαλεία και διαδικασίες, ο αναλυτής είναι σε θέση να λαμβάνει αποφάσεις με βάση την άμεση, αυτόματη πρόσβαση σε όλα σχεδόν τα σχετικά δεδομένα εντός της τράπεζας σχετικά με τη συναλλαγή. Βλέπουν αυτά τα δεδομένα, όμορφα οργανωμένα με συμπυκνωμένο τρόπο στην οθόνη τους, με βαθμολογία κινδύνου και με τη βοήθεια ενός επεξηγητή που τους καθοδηγεί στα στοιχεία που οδήγησαν στην έξοδο του μοντέλου.

Η DBS επένδυσε σε μια «ανύψωση» σε σύνολο δεξιοτήτων στο προσωπικό που συμμετείχε στη δημιουργία και χρήση αυτών των νέων συστημάτων επιτήρησης. Μεταξύ του προσωπικού που επωφελήθηκε από την αναβάθμιση ήταν οι αναλυτές επιτήρησης συναλλαγών, οι οποίοι είχαν εξειδίκευση στην ανίχνευση οικονομικών εγκλημάτων και είχαν εκπαιδευτεί στη χρήση της νέας τεχνολογικής πλατφόρμας και στις σχετικές δεξιότητες ανάλυσης δεδομένων. Οι ομάδες βοήθησαν στο σχεδιασμό των νέων συστημάτων, ξεκινώντας με την εργασία στο front-end για τον εντοπισμό τυπολογιών κινδύνου. Παρείχαν επίσης εισόδους για τον εντοπισμό των δεδομένων που είχαν περισσότερο νόημα στη χρήση και όπου η αυτοματοποιημένη ανάλυση δεδομένων και οι δυνατότητες ML θα μπορούσαν να τους βοηθήσουν περισσότερο.

Όταν ρωτήθηκε πώς τα συστήματα θα επηρεάσουν τους αναλυτές ανθρώπινων συναλλαγών στο μέλλον, το στέλεχος συμμόρφωσης της DBS είπε:

Η αποτελεσματικότητα είναι πάντα σημαντική και πρέπει πάντα να προσπαθούμε για υψηλότερα επίπεδα. Θέλουμε να χειριστούμε τις πτυχές που βασίζονται σε συναλλαγές του τρέχοντος και μελλοντικού φόρτου εργασίας επιτήρησης με λιγότερα άτομα και, στη συνέχεια, να επανεπενδύσουμε την ελευθερωμένη ικανότητα σε νέους τομείς επιτήρησης και πρόληψης απάτης. Θα υπάρχουν πάντα άγνωστες και νέες διαστάσεις κακής οικονομικής συμπεριφοράς και κακών παραγόντων, και πρέπει να επενδύσουμε περισσότερο χρόνο και περισσότερους ανθρώπους σε αυτούς τους τύπους τομέων. Στο βαθμό που μπορούμε, θα το κάνουμε αυτό μέσω της επανεπένδυσης των κερδών αποτελεσματικότητας που επιτυγχάνουμε στο πλαίσιο των πιο τυπικών προσπαθειών εποπτείας συναλλαγών μας.

Η επόμενη φάση της επιτήρησης συναλλαγών

Η γενική φιλοδοξία της τράπεζας είναι η επιτήρηση των συναλλαγών να γίνει πιο ολοκληρωμένη και πιο ενεργητική. Αντί να βασίζονται απλώς σε ειδοποιήσεις που παράγονται από τη μηχανή που βασίζεται σε κανόνες, τα στελέχη θέλουν να κάνουν χρήση πολλαπλών επιπέδων ολοκληρωμένης επιτήρησης κινδύνων για την ολιστική παρακολούθηση από τα επίπεδα «συναλλαγή σε λογαριασμό πελάτη σε δίκτυο σε μακροοικονομικό». Αυτός ο συνδυασμός θα βοηθούσε την τράπεζα να βρει περισσότερους κακούς παράγοντες και να το κάνει πιο αποτελεσματικά και αποδοτικά. Το στέλεχος συμμόρφωσης διευκρίνισε:

Είναι σημαντικό να σημειωθεί ότι οι ξέπλυμα χρήματος και οι υπεκφυγές κυρώσεων βρίσκουν πάντα νέους τρόπους να κάνουν πράγματα. Οι άνθρωποί μας πρέπει να εργαστούν με την τεχνολογία και τις δυνατότητες ανάλυσης δεδομένων μας για να παραμείνουν μπροστά από αυτές τις αναδυόμενες απειλές. Θέλουμε να ελευθερώσουμε τον χρόνο που ξοδεύουν οι άνθρωποί μας για τις κουραστικές, μη αυτόματες πτυχές του ελέγχου των ειδοποιήσεων και να χρησιμοποιήσουμε αυτόν τον χρόνο για να συμβαδίσουμε με τις αναδυόμενες απειλές.

Οι ανθρώπινοι αναλυτές θα συνεχίσουν να διαδραματίζουν σημαντικό ρόλο στην παρακολούθηση συναλλαγών AML, αν και ο τρόπος που χρησιμοποιούν το χρόνο τους και η ανθρώπινη τεχνογνωσία τους θα συνεχίσουν να εξελίσσονται.

Το στέλεχος συμμόρφωσης μοιράστηκε επίσης μια προοπτική για την τεχνητή νοημοσύνη: «Είναι πραγματικά επαυξημένη νοημοσύνη, αντί για αυτοματοποιημένη τεχνητή νοημοσύνη στην επιτήρηση κινδύνου. Δεν πιστεύουμε ότι μπορούμε να αφαιρέσουμε την ανθρώπινη κρίση από τις τελικές αποφάσεις, επειδή θα υπάρχει πάντα ένα υποκειμενικό στοιχείο στις αξιολογήσεις του τι είναι και τι δεν είναι ύποπτο στο πλαίσιο του ξεπλύματος βρώμικου χρήματος και άλλων οικονομικών εγκλημάτων. Δεν μπορούμε να εξαλείψουμε αυτό το υποκειμενικό στοιχείο, αλλά μπορούμε να ελαχιστοποιήσουμε τη χειρωνακτική εργασία που κάνει ο ανθρώπινος αναλυτής ως μέρος της αναθεώρησης και της αξιολόγησης των ειδοποιήσεων».

Μαθήματα που πήραμε από αυτήν την υπόθεση

• Ένα αυτοματοποιημένο σύστημα που παράγει μεγάλο αριθμό ειδοποιήσεων, οι περισσότερες από τις οποίες αποδεικνύονται ψευδώς θετικές, δεν εξοικονομεί ανθρώπινη εργασία.

• Πολλαπλοί τύποι τεχνολογίας AI (σε αυτήν την περίπτωση, κανόνες, ML και Analytics Link Link) μπορούν να συνδυαστούν για τη βελτίωση των δυνατοτήτων του συστήματος.

• Οι εταιρείες ενδέχεται να μην μειώσουν τον αριθμό των ατόμων που κάνουν μια δουλειά ακόμα και όταν το σύστημα τεχνητής νοημοσύνης βελτιώνει σημαντικά την αποτελεσματικότητα της εκτέλεσης της. Αντίθετα, οι εργαζόμενοι μπορούν να χρησιμοποιήσουν τον ελεύθερο χρόνο για να εργαστούν σε νέες και υψηλότερης αξίας καθήκοντα στις δουλειές τους.

• Επειδή θα υπάρχουν πάντα υποκειμενικά στοιχεία στην αξιολόγηση σύνθετων επιχειρηματικών συναλλαγών, η ανθρώπινη κρίση ενδέχεται να μην εξαλειφθεί από τη διαδικασία αξιολόγησης.