Hitting the Books: Bagaimana bank terbesar di Asia Tenggara menggunakan AI untuk memerangi penipuan keuangan

Yya, robot akan datang untuk mengambil pekerjaan kita. Itu hal yang baik, kita harus senang mereka karena pekerjaan yang mereka ambil agak payah. Apakah Anda benar-benar ingin kembali ke hari-hari? manual memantau, menandai, dan menyelidiki transfer bank harian dunia untuk mencari penipuan keuangan dan skema pencucian uang? DBS Bank, lembaga keuangan terbesar di Singapura, tentu tidak. Perusahaan telah menghabiskan waktu bertahun-tahun untuk mengembangkan sistem pembelajaran mesin mutakhir yang sangat mengotomatisasi proses "pengawasan transaksi" yang sangat kecil, membebaskan analis manusia untuk melakukan pekerjaan tingkat yang lebih tinggi sambil beroperasi dalam keseimbangan yang rumit dengan peraturan keuangan antik yang mengikat industri. . Ini hal yang menarik. Bekerja dengan AI oleh Thomas H. Davenport dan Steven M. Miller diisi dengan studi kasus serupa dari berbagai industri teknologi, melihat kolaborasi manusia-AI yang biasa dan memberikan wawasan tentang implikasi potensial dari interaksi ini. 

Dikutip dari Bekerja dengan AI: Kisah Nyata Kolaborasi Manusia-Mesin oleh Thomas H. Davenport dan Steven M. Miller. Dicetak ulang dengan izin dari The MIT Press. Hak Cipta 2022.

Bank DBS: Pengawasan Transaksi Berbasis AI

Sejak pengesahan Undang-Undang Kerahasiaan Bank, juga dikenal sebagai Undang-Undang Pelaporan Transaksi Mata Uang dan Asing, di AS pada tahun 1970, bank-bank di seluruh dunia telah dimintai pertanggungjawaban oleh pemerintah untuk mencegah pencucian uang, aliran lintas batas yang mencurigakan dalam jumlah besar. uang, dan jenis kejahatan keuangan lainnya. DBS Bank, bank terbesar di Singapura dan di Asia Tenggara, telah lama memiliki fokus pada anti-pencucian uang (AML) serta deteksi dan pencegahan kejahatan keuangan. Menurut seorang eksekutif DBS untuk kepatuhan, “Kami ingin memastikan bahwa kami memiliki kontrol internal yang ketat di dalam bank sehingga para pelaku, pencuci uang, dan penghindar sanksi tidak menembus sistem keuangan, baik melalui bank kami, melalui sistem nasional kami. , atau internasional.”

Keterbatasan Sistem Berbasis Aturan untuk Pemantauan Pengawasan

Seperti di bank besar lainnya, area DBS yang berfokus pada masalah ini, yang disebut “pengawasan transaksi”, telah memanfaatkan AI selama bertahun-tahun untuk melakukan jenis pekerjaan ini. Orang-orang dalam fungsi ini mengevaluasi peringatan yang dibuat oleh sistem berbasis aturan. Aturan menilai data transaksi dari berbagai sistem di seluruh bank, termasuk untuk konsumen, manajemen kekayaan, perbankan institusional, dan pembayaran mereka. Semua transaksi ini mengalir melalui sistem penyaringan berbasis aturan, dan aturan menandai transaksi yang sesuai dengan kondisi yang terkait dengan individu atau entitas yang melakukan transaksi mencurigakan dengan bank—yang melibatkan potensi peristiwa pencucian uang, atau jenis penipuan keuangan lainnya. Sistem berbasis aturan — di masa lalu dikenal sebagai “sistem pakar” — adalah salah satu bentuk AI tertua, tetapi masih banyak digunakan di perbankan dan asuransi, serta di industri lain.

Di DBS dan sebagian besar bank lain di seluruh dunia, sistem pengawasan transaksi keuangan berbasis aturan semacam ini menghasilkan sejumlah besar peringatan setiap hari. Kelemahan utama dari sistem pengawasan berbasis aturan adalah bahwa sebagian besar — ​​hingga 98 persen — dari peringatan yang dihasilkan adalah positif palsu. Beberapa aspek transaksi memicu aturan yang mengarahkan transaksi untuk ditandai pada daftar peringatan. Namun, setelah penyelidikan lanjutan oleh seorang analis manusia, ternyata transaksi yang disiagakan itu sebenarnya tidak mencurigakan.

Analis pengawasan transaksi harus menindaklanjuti setiap peringatan, melihat semua informasi transaksi yang relevan. Mereka juga harus mempertimbangkan profil individu yang terlibat dalam transaksi, perilaku keuangan masa lalu mereka, apa pun yang mereka nyatakan dalam dokumen “kenali pelanggan Anda” dan uji tuntas pelanggan, dan hal lain yang mungkin diketahui bank tentang mereka. Menindaklanjuti peringatan adalah proses yang memakan waktu.

Jika analis menegaskan bahwa suatu transaksi dapat dibenarkan atau diverifikasi sebagai penipuan, bank memiliki kewajiban hukum untuk menerbitkan Laporan Aktivitas Mencurigakan (SAR) kepada pihak yang berwenang. Ini adalah keputusan berisiko tinggi, jadi penting bagi analis untuk melakukannya dengan benar: jika salah, nasabah bank yang taat hukum bisa salah diberitahu bahwa mereka sedang diselidiki atas kejahatan keuangan. Di sisi lain, jika “aktor jahat” tidak terdeteksi dan dilaporkan, dapat menimbulkan masalah terkait pencucian uang dan kejahatan keuangan lainnya.

Setidaknya untuk saat ini, sistem berbasis aturan tidak dapat dihilangkan karena otoritas pengatur nasional di sebagian besar negara masih memerlukannya. Tetapi para eksekutif DBS menyadari bahwa ada banyak sumber tambahan informasi internal dan eksternal yang tersedia bagi mereka, yang jika digunakan dengan benar, dapat diterapkan untuk mengevaluasi setiap peringatan secara otomatis dari sistem berbasis aturan. Ini dapat dilakukan dengan menggunakan ML, yang dapat menangani pola yang lebih kompleks dan membuat prediksi yang lebih akurat daripada sistem berbasis aturan.

Menggunakan Kemampuan AI Generasi Baru untuk Meningkatkan Pengawasan

Beberapa tahun yang lalu, DBS memulai proyek untuk menerapkan generasi baru kemampuan AI/ML dalam kombinasi dengan sistem penyaringan berbasis aturan yang ada. Kombinasi tersebut akan memungkinkan bank untuk memprioritaskan semua peringatan yang dihasilkan oleh sistem berbasis aturan sesuai dengan skor probabilitas yang dihitung secara numerik yang menunjukkan tingkat kecurigaan. Sistem ML dilatih untuk mengenali situasi mencurigakan dan penipuan dari data dan hasil terkini dan historis. Pada saat wawancara kami, sistem penyaringan berbasis ML baru telah digunakan selama lebih dari satu tahun. Sistem meninjau semua peringatan yang dihasilkan oleh sistem berbasis aturan, memberikan setiap peringatan skor risiko, dan mengkategorikan setiap peringatan ke dalam kategori risiko tinggi, sedang, dan rendah. Jenis "pasca-pemrosesan" dari peringatan berbasis aturan ini memungkinkan analis untuk menguraikan mana yang harus diprioritaskan segera (yang berada dalam kategori risiko tinggi dan menengah) dan mana yang dapat menunggu (yang berada dalam kategori risiko terendah) . Kemampuan penting dari sistem ML ini adalah ia memiliki penjelas yang menunjukkan kepada analis bukti yang digunakan dalam membuat penilaian otomatis tentang kemungkinan bahwa transaksi tersebut mencurigakan. Penjelasan dan navigasi terpandu yang diberikan oleh model AI/ML membantu analis membuat keputusan risiko yang tepat.

DBS juga mengembangkan kemampuan baru lainnya untuk mendukung penyelidikan transaksi yang disiagakan, termasuk sistem Network Link Analytics untuk mendeteksi hubungan dan transaksi yang mencurigakan di banyak pihak. Transaksi keuangan dapat direpresentasikan sebagai grafik jaringan yang menunjukkan orang atau akun yang terlibat sebagai node dalam jaringan dan interaksi apa pun sebagai penghubung antar node. Grafik jaringan hubungan ini dapat digunakan untuk mengidentifikasi dan menilai lebih lanjut pola yang mencurigakan dari arus masuk dan arus keluar keuangan.

Secara paralel, DBS juga telah menggantikan pendekatan padat karya untuk alur kerja investigasi dengan platform baru yang mengotomatiskan banyak dukungan untuk investigasi terkait pengawasan dan manajemen kasus bagi analis. Disebut CRUISE, ini mengintegrasikan output dari mesin berbasis aturan, model filter ML, dan sistem Network Link Analytics.

Selain itu, sistem CRUISE memberikan analis akses yang mudah dan terintegrasi ke data yang relevan dari seluruh bank yang diperlukan untuk menindaklanjuti transaksi yang sedang diselidiki oleh analis. Dalam lingkungan CRUISE ini, bank juga menangkap semua umpan balik yang terkait dengan pekerjaan analis pada kasus tersebut, dan umpan balik ini membantu untuk lebih meningkatkan sistem dan proses DBS.

Dampak pada Analis

Tentu saja, perkembangan ini membuat analis jauh lebih efisien dalam meninjau peringatan. Beberapa tahun yang lalu, tidak jarang seorang analis pengawasan transaksi DBS menghabiskan dua jam atau lebih untuk melihat sebuah peringatan. Waktu ini termasuk waktu persiapan front-end untuk mengambil data dari beberapa sistem dan untuk secara manual menyusun transaksi masa lalu yang relevan, dan waktu analisis aktual untuk mengevaluasi bukti, mencari pola, dan membuat penilaian akhir apakah peringatan itu muncul atau tidak. menjadi transaksi mencurigakan yang bonafid.

Setelah penerapan beberapa alat, termasuk CRUISE, Network Link Analytics, dan model filter berbasis ML, analis dapat menyelesaikan sekitar sepertiga lebih banyak kasus dalam jumlah waktu yang sama. Juga, untuk kasus-kasus berisiko tinggi yang diidentifikasi menggunakan alat-alat ini, DBS mampu menangkap “pelaku jahat” lebih cepat dari sebelumnya. 

Mengomentari bagaimana hal ini berbeda dari pendekatan pengawasan tradisional, kepala pengawasan transaksi DBS membagikan hal berikut:

Hari ini di DBS, mesin kami dapat mengumpulkan data dukungan yang diperlukan dari berbagai sumber di seluruh bank dan menyajikannya di layar analis kami. Sekarang analis dapat dengan mudah melihat informasi pendukung yang relevan untuk setiap peringatan dan membuat keputusan yang tepat tanpa mencari melalui enam puluh sistem yang berbeda untuk mendapatkan data pendukung. Mesin sekarang melakukan ini untuk analis jauh lebih cepat daripada yang bisa dilakukan manusia. Itu membuat kehidupan para analis lebih mudah dan keputusan mereka jauh lebih tajam.

Di masa lalu, karena keterbatasan praktis, analis pengawasan transaksi hanya dapat mengumpulkan dan menggunakan sebagian kecil data di dalam bank yang relevan untuk meninjau peringatan tersebut. Hari ini di DBS, dengan alat dan proses baru kami, analis dapat membuat keputusan berdasarkan akses instan dan otomatis ke hampir semua data yang relevan di dalam bank tentang transaksi. Mereka melihat data ini, terorganisasi dengan baik secara ringkas di layar mereka, dengan skor risiko dan dengan bantuan penjelas yang memandu mereka melalui bukti yang menghasilkan keluaran model.

DBS berinvestasi dalam “peningkatan” keahlian di seluruh staf yang terlibat dalam pembuatan dan penggunaan sistem pengawasan baru ini. Di antara staf yang mendapat manfaat dari peningkatan keterampilan tersebut adalah analis pengawasan transaksi, yang memiliki keahlian dalam mendeteksi kejahatan keuangan dan dilatih dalam menggunakan platform teknologi baru dan dalam keterampilan analisis data yang relevan. Tim membantu merancang sistem baru, dimulai dengan pekerjaan front-end untuk mengidentifikasi tipologi risiko. Mereka juga memberikan masukan untuk mengidentifikasi data yang paling masuk akal untuk digunakan, dan di mana analisis data otomatis dan kemampuan ML bisa sangat membantu mereka.

Ketika ditanya bagaimana sistem akan mempengaruhi analis transaksi manusia di masa depan, eksekutif kepatuhan DBS mengatakan:

Efisiensi selalu penting, dan kita harus selalu berusaha untuk mencapai tingkat yang lebih tinggi. Kami ingin menangani aspek berbasis transaksi dari beban kerja pengawasan kami saat ini dan masa depan dengan lebih sedikit orang, dan kemudian menginvestasikan kembali kapasitas yang dibebaskan ke area pengawasan dan pencegahan penipuan yang baru. Akan selalu ada dimensi baru dan tidak diketahui dari perilaku keuangan yang buruk dan pelaku yang buruk, dan kita perlu menginvestasikan lebih banyak waktu dan lebih banyak orang ke dalam bidang-bidang seperti ini. Sejauh yang kami bisa, kami akan melakukan ini dengan menginvestasikan kembali keuntungan efisiensi yang kami capai dalam upaya pengawasan transaksi yang lebih standar.

Pengawasan Transaksi Tahap Selanjutnya

Aspirasi bank secara keseluruhan adalah agar pengawasan transaksi menjadi lebih terintegrasi dan lebih proaktif. Daripada hanya mengandalkan peringatan yang dihasilkan dari mesin berbasis aturan, eksekutif ingin memanfaatkan berbagai tingkat pengawasan risiko terintegrasi untuk memantau secara holistik dari tingkat "transaksi ke akun ke pelanggan ke jaringan ke makro". Kombinasi ini akan membantu bank menemukan lebih banyak pelaku kejahatan, dan melakukannya dengan lebih efektif dan efisien. Eksekutif kepatuhan menjelaskan:

Penting untuk dicatat bahwa para pencuci uang dan penghindar sanksi selalu menemukan cara baru dalam melakukan sesuatu. Orang-orang kami perlu bekerja dengan teknologi dan kemampuan analitik data kami untuk tetap berada di depan ancaman yang muncul ini. Kami ingin membebaskan waktu yang dihabiskan orang-orang kami untuk aspek manual yang membosankan dalam meninjau peringatan, dan menggunakan waktu itu untuk mengimbangi ancaman yang muncul.

Analis manusia akan terus memainkan peran penting dalam pengawasan transaksi AML, meskipun cara mereka menggunakan waktu dan keahlian manusia mereka akan terus berkembang.

Eksekutif kepatuhan juga berbagi perspektif tentang AI: “Ini benar-benar kecerdasan yang ditingkatkan, daripada AI otomatis dalam pengawasan risiko. Kami tidak berpikir kami dapat menghapus penilaian manusia dari keputusan akhir karena akan selalu ada unsur subjektif untuk evaluasi apa yang mencurigakan dan tidak dalam konteks pencucian uang dan kejahatan keuangan lainnya. Kami tidak dapat menghilangkan elemen subjektif ini, tetapi kami dapat meminimalkan pekerjaan manual yang dilakukan oleh analis manusia sebagai bagian dari peninjauan dan evaluasi peringatan.”

Pelajaran yang Kami Petik dari Kasus Ini

• Sistem otomatis yang menghasilkan sejumlah besar peringatan yang sebagian besar berubah menjadi positif palsu tidak menghemat tenaga manusia.

• Beberapa jenis teknologi AI (dalam hal ini, aturan, ML, dan Network Link Analytics) dapat digabungkan untuk meningkatkan kemampuan sistem.

• Perusahaan mungkin tidak mengurangi jumlah orang yang melakukan pekerjaan bahkan ketika sistem AI secara substansial meningkatkan efisiensi dalam melakukannya. Sebaliknya, karyawan dapat menggunakan waktu luang untuk mengerjakan tugas baru dan bernilai lebih tinggi dalam pekerjaan mereka.

• Karena akan selalu ada elemen subjektif dalam evaluasi transaksi bisnis yang kompleks, penilaian manusia tidak dapat dihilangkan dari proses evaluasi.