Hitting the Books: 동남아시아 최대 은행이 AI를 사용하여 금융 사기를 퇴치하는 방법

Yes, 로봇이 우리의 일자리를 빼앗기 위해 오고 있습니다. 좋은 일입니다. 그들이 취하는 직업이 형편없기 때문에 그들이 기뻐해야 합니다. 정말 옛날로 돌아가고 싶으세요? 수동으로 금융 사기 및 자금 세탁 계획을 찾기 위해 전 세계의 일일 은행 송금을 모니터링, 신고 및 조사하고 계십니까? 싱가포르에서 가장 큰 금융 기관인 DBS Bank는 확실히 그렇지 않습니다. 이 회사는 "트랜잭션 감시"의 세부적인 프로세스를 크게 자동화하는 최첨단 기계 학습 시스템을 개발하는 데 수년을 보냈습니다. 이를 통해 인간 분석가는 더 높은 수준의 작업을 수행하는 동시에 업계를 구속하는 고대 금융 규정과 섬세한 균형을 이루어 작업할 수 있습니다. . 그것은 매혹적인 물건입니다. AI와 함께 일하기 Thomas H. Davenport와 Steven M. Miller의 저서에는 수많은 기술 산업의 유사한 사례 연구로 가득 차 있으며 일반적인 인간-AI ​​협업을 살펴보고 이러한 상호 작용의 잠재적 의미에 대한 통찰력을 제공합니다. 

에서 Excerpted AI 작업: 인간-기계 협업의 실제 이야기 Thomas H. Davenport와 Steven M. Miller. The MIT Press의 허가를 받아 재인쇄되었습니다. 저작권 2022.

DBS Bank: AI 기반 거래 감시

1970년 미국에서 통화 및 해외 거래 보고법(Bank Secrecy Act)으로도 알려진 은행 비밀법이 통과된 이후, 전 세계 은행들은 정부로부터 자금 세탁, 의심스러운 해외 자금 유출 방지에 대한 책임을 지게 되었습니다. 돈 및 기타 유형의 금융 범죄. 싱가포르와 동남아시아에서 가장 큰 은행인 DBS Bank는 오랫동안 자금 세탁 방지(AML)와 금융 범죄 탐지 및 예방에 주력해 왔습니다. DBS 컴플라이언스 담당 임원에 따르면 “가해자, 자금세탁자, 제재 회피자가 우리 은행을 통해서든 국가 시스템을 통해서든 금융 시스템에 침투하지 못하도록 은행 내부 통제를 철저히 하고 싶다. , 또는 국제적으로."

감시 모니터링을 위한 규칙 기반 시스템의 한계

다른 대형 은행과 마찬가지로 이러한 문제에 중점을 둔 DBS 영역인 "거래 감시"는 이러한 유형의 작업을 수행하기 위해 수년 동안 AI를 활용해 왔습니다. 이 기능의 사람들은 규칙 기반 시스템에서 발생한 경고를 평가합니다. 이 규칙은 소비자, 자산 관리, 기관 뱅킹 및 지불에 대한 시스템을 포함하여 은행 전반에 걸쳐 다양한 시스템의 거래 데이터를 평가합니다. 이러한 거래는 모두 심사를 위해 규칙 기반 시스템을 통과하며 규칙은 은행과 의심스러운 거래를 하는 개인 또는 법인과 관련된 조건과 일치하는 거래를 표시합니다. 과거에 "전문가 시스템"으로 알려졌던 규칙 기반 시스템은 가장 오래된 형태의 AI 중 하나이지만 은행 및 보험은 물론 다른 산업에서도 여전히 널리 사용됩니다.

DBS와 전 세계 대부분의 다른 은행에서 이러한 종류의 규칙 기반 금융 거래 감시 시스템은 매일 많은 수의 경고를 생성합니다. 규칙 기반 감시 시스템의 주요 단점은 생성된 경고의 대부분(최대 98%)이 오탐(false positive)이라는 것입니다. 트랜잭션의 일부 측면은 트랜잭션이 경고 목록에 플래그가 지정되도록 하는 규칙을 트리거합니다. 그러나 인간 분석가의 후속 조사 결과 경보를 받은 거래가 실제로 의심스럽지 않은 것으로 나타났습니다.

거래 감시 분석가는 모든 관련 거래 정보를 살펴보고 모든 경보에 대해 후속 조치를 취해야 합니다. 그들은 또한 거래에 관련된 개인의 프로필, 과거의 재정적 행동, "고객 알기" 및 고객 실사 문서에서 선언한 내용, 그리고 은행이 그들에 대해 알고 있을 수 있는 모든 것을 고려해야 합니다. 경고에 대한 후속 조치는 시간이 많이 소요되는 프로세스입니다.

분석가가 거래가 정당하게 의심스럽거나 사기로 확인되었다고 확인하는 경우 은행은 해당 당국에 의심스러운 활동 보고서(SAR)를 발행할 법적 의무가 있습니다. 이것은 중대한 결정이므로 분석가가 올바른 결정을 내리는 것이 중요합니다. 잘못된 경우 법률을 준수하는 은행 고객에게 금융 범죄로 조사를 받고 있다는 잘못된 통지를 받을 수 있습니다. 한편, '악의적 행위자'가 적발되어 신고되지 않으면 자금세탁 및 기타 금융범죄와 관련된 문제가 발생할 수 있다.

현재로서는 대부분의 국가의 국가 규제 당국이 여전히 규칙 기반 시스템을 요구하기 때문에 규칙 기반 시스템을 제거할 수 없습니다. 그러나 DBS 경영진은 올바르게 사용하면 규칙 기반 시스템의 각 경고를 자동으로 평가하는 데 적용할 수 있는 내부 및 외부 정보의 추가 소스가 많이 있음을 깨달았습니다. 이것은 규칙 기반 시스템보다 더 복잡한 패턴을 처리하고 더 정확한 예측을 할 수 있는 ML을 사용하여 수행할 수 있습니다.

차세대 AI 기능을 사용하여 감시 강화

몇 년 전 DBS는 기존 규칙 기반 심사 시스템과 함께 차세대 AI/ML 기능을 적용하는 프로젝트를 시작했습니다. 이 조합을 통해 은행은 의심 수준을 나타내는 수치적으로 계산된 확률 점수에 따라 규칙 기반 시스템에서 생성된 모든 경고의 우선 순위를 지정할 수 있습니다. ML 시스템은 최근 및 과거 데이터 및 결과에서 의심스럽고 사기성 상황을 인식하도록 훈련되었습니다. 인터뷰 당시 새로운 ML 기반 필터링 시스템이 사용된 지 XNUMX년이 조금 넘었습니다. 시스템은 규칙 기반 시스템에서 생성된 모든 경고를 검토하고 각 경고에 위험 점수를 할당하고 각 경고를 높은 위험, 중간 위험 및 낮은 위험 범주로 분류합니다. 이러한 유형의 규칙 기반 경고 "후처리"를 통해 분석가는 즉시 우선 순위를 지정해야 하는 경고(고위험 및 중간 위험 범주)와 대기할 수 있는 경고(위험이 가장 낮은 범주)를 해독할 수 있습니다. . 이 ML 시스템의 중요한 기능은 분석가가 거래가 의심될 확률을 자동으로 평가하는 데 사용되는 증거를 보여주는 설명자가 있다는 것입니다. AI/ML 모델이 제공하는 설명과 안내 탐색은 분석가가 올바른 위험 결정을 내리는 데 도움이 됩니다.

DBS는 또한 여러 당사자 간의 의심스러운 관계 및 트랜잭션을 감지하기 위한 Network Link Analytics 시스템을 포함하여 경고된 트랜잭션의 조사를 지원하는 다른 새로운 기능을 개발했습니다. 금융 거래는 네트워크의 노드로 관련된 사람이나 계정을 보여주는 네트워크 그래프와 노드 간의 링크로 모든 상호 작용을 표시할 수 있습니다. 이 관계의 네트워크 그래프는 금융 유입 및 유출의 의심스러운 패턴을 식별하고 추가로 평가하는 데 사용할 수 있습니다.

이와 동시에 DBS는 조사 워크플로에 대한 노동 집약적인 접근 방식을 분석가를 위해 감시 관련 조사 및 사례 관리에 대한 지원을 자동화하는 새로운 플랫폼으로 대체했습니다. CRUISE라고 하는 규칙 기반 엔진, ML 필터 모델 및 네트워크 링크 분석 시스템의 출력을 통합합니다.

또한 CRUISE 시스템은 분석가가 조사 중인 거래를 추적하는 데 필요한 은행 전체의 관련 데이터에 대한 쉽고 통합된 액세스를 분석가에게 제공합니다. 이 CRUISE 환경 내에서 은행은 또한 케이스에 대한 분석가의 작업과 관련된 모든 피드백을 캡처하며 이 피드백은 DBS의 시스템 및 프로세스를 더욱 개선하는 데 도움이 됩니다.

분석가에 대한 영향

물론 이러한 개발로 인해 분석가는 경고를 검토하는 데 훨씬 더 효율적입니다. 몇 년 전만 해도 DBS 트랜잭션 감시 분석가가 경보를 조사하는 데 XNUMX시간 이상을 소비하는 것은 드문 일이 아니었습니다. 이 시간에는 여러 시스템에서 데이터를 가져오고 관련 과거 트랜잭션을 수동으로 수집하는 프런트 엔드 준비 시간과 증거를 평가하고 패턴을 찾고 경고 발생 여부에 대한 최종 판단을 내리는 실제 분석 시간이 포함되었습니다. 선의의 의심스러운 거래.

CRUISE, Network Link Analytics 및 ML 기반 필터 모델을 포함한 여러 도구를 구현한 후 분석가는 같은 시간에 약 XNUMX/XNUMX의 추가 사례를 해결할 수 있습니다. 또한, 이러한 도구를 사용하여 식별된 고위험 사례에 대해 DBS는 이전보다 더 빠르게 "나쁜 행위자"를 잡을 수 있습니다. 

이것이 기존의 감시 접근 방식과 어떻게 다른지에 대해 언급하면서 DBS 거래 감시 책임자는 다음과 같이 말했습니다.

오늘날 DBS의 기계는 은행 전체의 다양한 소스에서 필요한 지원 데이터를 수집하여 분석가의 화면에 표시할 수 있습니다. 이제 분석가는 각 경고에 대한 관련 지원 정보를 쉽게 확인하고 지원 데이터를 얻기 위해 XNUMX개의 서로 다른 시스템을 검색하지 않고도 올바른 결정을 내릴 수 있습니다. 이제 기계는 분석가를 위해 인간이 할 수 있는 것보다 훨씬 빠르게 이 작업을 수행합니다. 그것은 분석가의 삶을 더 쉽게 만들고 그들의 결정을 훨씬 더 날카롭게 만듭니다.

과거에는 실제적인 한계로 인해 거래 감시 분석가가 경보 검토와 관련된 은행 내 데이터의 작은 부분만 수집하고 사용할 수 있었습니다. 오늘날 DBS에서는 새로운 도구와 프로세스를 사용하여 분석가가 은행 내의 거래에 대한 거의 모든 관련 데이터에 즉각적이고 자동으로 액세스하여 결정을 내릴 수 있습니다. 그들은 이 데이터가 위험 점수와 함께 요약된 방식으로 화면에 잘 정리되어 있고 모델의 결과로 이어진 증거를 통해 안내하는 설명자의 도움을 받아 봅니다.

DBS는 이러한 새로운 감시 시스템을 만들고 사용하는 데 관여한 직원 전체의 기술 "향상"에 투자했습니다. 기술 향상의 혜택을 받는 직원 중에는 금융 범죄 탐지에 대한 전문 지식이 있고 새로운 기술 플랫폼 및 관련 데이터 분석 기술 사용에 대한 교육을 받은 거래 감시 분석가가 있습니다. 팀은 위험 유형을 식별하기 위한 프런트 엔드 작업부터 시작하여 새 시스템을 설계하는 데 도움을 주었습니다. 또한 사용하기에 가장 적합한 데이터와 자동화된 데이터 분석 및 ML 기능이 가장 도움이 될 수 있는 데이터를 식별하기 위한 입력을 제공했습니다.

시스템이 미래에 인적 거래 분석가에게 어떤 영향을 미칠 것인지 묻는 질문에 DBS 규정 준수 담당자는 다음과 같이 말했습니다.

효율성은 항상 중요하며 우리는 항상 더 높은 수준을 위해 노력해야 합니다. 우리는 현재와 미래의 감시 워크로드의 트랜잭션 기반 측면을 더 적은 수의 인력으로 처리하고 확보된 용량을 감시 및 사기 방지의 새로운 영역에 재투자하고자 합니다. 나쁜 금융 행위와 나쁜 행위자의 알려지지 않은 새로운 차원이 항상 있을 것이며 우리는 이러한 유형의 영역에 더 많은 시간과 더 많은 사람들을 투자해야 합니다. 우리가 할 수 있는 한 더 표준적인 거래 감시 노력 내에서 우리가 달성한 효율성 이득을 재투자함으로써 이를 수행할 것입니다.

거래 감시의 다음 단계

은행의 전반적인 열망은 거래 감시가 보다 통합되고 보다 능동적이 되는 것입니다. 경영진은 규칙 기반 엔진에서 생성된 경고에 의존하기보다 여러 수준의 통합 위험 감시를 사용하여 "거래에서 계정, 고객, 네트워크, 매크로" 수준까지 전체적으로 모니터링하기를 원합니다. 이 조합은 은행이 더 많은 악의적인 행위자를 찾아 더 효과적이고 효율적으로 수행하는 데 도움이 될 것입니다. 규정 준수 임원은 다음과 같이 자세히 설명했습니다.

자금 세탁자와 제재 회피자는 항상 새로운 방식을 찾고 있다는 점에 유의하는 것이 중요합니다. 우리 직원은 이러한 새로운 위협에 앞서 나가기 위해 우리의 기술 및 데이터 분석 기능과 협력해야 합니다. 우리는 직원들이 경고 검토의 지루하고 수동적인 측면에 소비했던 시간을 없애고 새로운 위협에 보조를 맞추는 데 이 시간을 사용하고자 합니다.

인간 분석가는 AML 거래 감시에서 계속 중요한 역할을 할 것이지만 시간과 전문 지식을 사용하는 방식은 계속해서 발전할 것입니다.

규정 준수 임원은 또한 AI에 대한 관점을 공유했습니다. “위험 감시에서 자동화된 AI가 아니라 실제로는 증강 지능입니다. 자금 세탁 및 기타 금융 범죄의 맥락에서 의심스러운 것과 의심되지 않는 것에 대한 평가에는 항상 주관적인 요소가 있기 때문에 최종 결정에서 인간의 판단을 제거할 수 없다고 생각합니다. 이러한 주관적인 요소를 제거할 수는 없지만 경고 검토 및 평가의 일환으로 인간 분석가가 수행하는 수동 작업을 최소화할 수 있습니다."

이 사례에서 배운 교훈

• 대부분이 오탐으로 판명되는 다수의 경보를 생성하는 자동화된 시스템은 인간의 노동력을 절약하지 못합니다.

• 여러 유형의 AI 기술(이 경우 규칙, ML 및 네트워크 링크 분석)을 결합하여 시스템의 기능을 향상시킬 수 있습니다.

• 기업은 AI 시스템이 업무 효율성을 크게 향상시킨다 하더라도 업무를 수행하는 사람의 수를 줄이지 않을 수 있습니다. 오히려 직원들은 여유 시간을 사용하여 업무에서 새롭고 더 가치 있는 작업을 수행할 수 있습니다.

• 복잡한 비즈니스 거래의 평가에는 항상 주관적인 요소가 있기 때문에 평가 프로세스에서 인간의 판단이 배제되지 않을 수 있습니다.