Hiting the Books: Jak największy bank w Azji Południowo-Wschodniej wykorzystuje sztuczną inteligencję do zwalczania oszustw finansowych

Yes, roboty przychodzą, aby odebrać nam pracę. To dobrze, powinniśmy być szczęśliwi, że są, ponieważ te prace, które biorą, są trochę do dupy. Czy na pewno chcesz wrócić do czasów ręcznie monitorowanie, oznaczanie i badanie codziennych przelewów bankowych na świecie w poszukiwaniu oszustw finansowych i schematów prania pieniędzy? DBS Bank, największa instytucja finansowa w Singapurze, z pewnością nie. Firma spędziła lata na opracowaniu najnowocześniejszego systemu uczenia maszynowego, który w znacznym stopniu automatyzuje drobiazgowy proces „nadzoru transakcji”, uwalniając ludzkich analityków do wykonywania pracy na wyższym poziomie, jednocześnie działając w delikatnej równowadze z dawnymi przepisami finansowymi, które wiążą branżę . To fascynująca sprawa. Praca z AI autorstwa Thomasa H. Davenporta i Stevena M. Millera jest wypełniona podobnymi studiami przypadków z niezliczonych branż technologicznych, które przyglądają się powszechnej współpracy człowieka z AI i zapewniają wgląd w potencjalne konsekwencje tych interakcji. 

Zaczerpnięty z Praca ze sztuczną inteligencją: prawdziwe historie współpracy człowiek-maszyna autorstwa Thomasa H. Davenporta i Stevena M. Millera. Przedruk za zgodą The MIT Press. Prawa autorskie 2022.

DBS Bank: nadzór transakcji oparty na sztucznej inteligencji

Od czasu uchwalenia w USA w 1970 roku ustawy o tajemnicy bankowej, znanej również jako Currency and Foreign Transactions Reporting Act, banki na całym świecie zostały pociągnięte do odpowiedzialności przez rządy za zapobieganie praniu pieniędzy i podejrzanym transgranicznym przepływom dużych ilości pieniądze i inne rodzaje przestępstw finansowych. DBS Bank, największy bank w Singapurze i Azji Południowo-Wschodniej, od dawna koncentruje się na przeciwdziałaniu praniu pieniędzy (AML) oraz wykrywaniu i zapobieganiu przestępstwom finansowym. Według dyrektora DBS ds. zgodności: „Chcemy mieć pewność, że mamy ścisłą kontrolę wewnętrzną w banku, aby sprawcy, osoby zajmujące się praniem brudnych pieniędzy i uchylające się od sankcji nie przenikały do ​​systemu finansowego ani przez nasz bank, ani przez nasz system krajowy. lub na arenie międzynarodowej”.

Ograniczenia systemów opartych na regułach do monitorowania nadzoru

Podobnie jak w innych dużych bankach, obszar DBS, który koncentruje się na tych kwestiach, zwany „nadzórem transakcji”, od wielu lat wykorzystuje sztuczną inteligencję do wykonywania tego rodzaju prac. Osoby korzystające z tej funkcji oceniają alerty wywołane przez system oparty na regułach. Reguły oceniają dane transakcyjne z wielu różnych systemów w całym banku, w tym dla konsumentów, zarządzania majątkiem, bankowości instytucjonalnej i ich płatności. Wszystkie te transakcje przepływają przez oparty na regułach system kontroli, a reguły oznaczają transakcje, które są zgodne z warunkami związanymi z osobą lub podmiotem dokonującym podejrzanych transakcji z bankiem — tych, które wiążą się z potencjalnym praniem pieniędzy lub innym rodzajem oszustwa finansowego. Systemy oparte na regułach – w przeszłości znane jako „systemy eksperckie” – są jedną z najstarszych form sztucznej inteligencji, ale nadal są szeroko stosowane w bankowości i ubezpieczeniach, a także w innych branżach.

W DBS i większości innych banków na świecie tego rodzaju oparte na regułach systemy nadzoru transakcji finansowych generują codziennie dużą liczbę ostrzeżeń. Główną wadą systemów nadzoru opartych na regułach jest to, że większość — do 98 procent — generowanych ostrzeżeń to fałszywe alarmy. Pewien aspekt transakcji wyzwala regułę, która prowadzi do oznaczenia transakcji na liście alertów. Jednak po dalszym dochodzeniu przez analityka okazuje się, że zaalarmowana transakcja w rzeczywistości nie jest podejrzana.

Analitycy nadzoru transakcji muszą śledzić każdy alert, sprawdzając wszystkie istotne informacje o transakcji. Muszą również wziąć pod uwagę profile osób zaangażowanych w transakcję, ich przeszłe zachowania finansowe, cokolwiek zadeklarowali w dokumentach „Poznaj swojego klienta” i należytej staranności klienta oraz wszystko, co bank może o nich wiedzieć. Monitorowanie alertów to czasochłonny proces.

Jeżeli analityk potwierdzi, że transakcja jest w uzasadniony sposób podejrzana lub zweryfikowana jako oszustwo, bank ma prawny obowiązek wystawienia Raportu Podejrzanej Działalności (SAR) do odpowiednich organów. To bardzo ważna decyzja, dlatego ważne jest, aby analityk podjął właściwą decyzję: jeśli niewłaściwi, przestrzegający prawa klienci banków mogą zostać niewłaściwie powiadomieni, że toczą przeciwko niemu śledztwo w sprawie przestępstw finansowych. Z drugiej strony, jeśli „zły aktor” nie zostanie wykryty i zgłoszony, może to prowadzić do problemów związanych z praniem pieniędzy i innymi przestępstwami finansowymi.

Przynajmniej na razie nie można wyeliminować systemów opartych na regułach, ponieważ krajowe organy regulacyjne w większości krajów nadal ich wymagają. Jednak dyrektorzy DBS zdali sobie sprawę, że istnieje wiele dodatkowych źródeł informacji wewnętrznych i zewnętrznych, które, jeśli zostaną prawidłowo wykorzystane, mogą zostać zastosowane do automatycznej oceny każdego alertu z systemu opartego na regułach. Można to zrobić za pomocą ML, który radzi sobie z bardziej złożonymi wzorcami i zapewnia dokładniejsze przewidywania niż systemy oparte na regułach.

Wykorzystanie nowej generacji możliwości sztucznej inteligencji do usprawnienia nadzoru

Kilka lat temu firma DBS rozpoczęła projekt mający na celu zastosowanie nowej generacji możliwości AI/ML w połączeniu z istniejącym systemem przesiewania opartym na regułach. Kombinacja umożliwiłaby bankowi nadanie priorytetu wszystkim ostrzeżeniom generowanym przez system oparty na regułach zgodnie z wyliczonym liczbowo wynikiem prawdopodobieństwa wskazującym na poziom podejrzeń. System ML został przeszkolony w zakresie rozpoznawania podejrzanych i oszukańczych sytuacji na podstawie najnowszych i historycznych danych i wyników. W czasie naszych wywiadów nowy system filtrowania oparty na ML był używany przez nieco ponad rok. System przegląda wszystkie alerty generowane przez system oparty na regułach, przypisuje każdemu alertowi ocenę ryzyka i kategoryzuje każdy alert w kategoriach wyższego, średniego i niższego ryzyka. Ten rodzaj „przetwarzania końcowego” alertów regułowych umożliwia analitykowi rozszyfrowanie, którym z nich należy natychmiast nadać priorytet (te z kategorii wyższego i średniego ryzyka), a które mogą poczekać (te z kategorii najniższego ryzyka). . Ważną cechą tego systemu ML jest to, że posiada on objaśnienie, które pokazuje analitykowi dowody użyte do dokonania automatycznej oceny prawdopodobieństwa, że ​​transakcja jest podejrzana. Wyjaśnienie i ukierunkowana nawigacja podane przez model AI/ML pomaga analitykowi w podjęciu właściwej decyzji dotyczącej ryzyka.

Firma DBS opracowała również inne nowe funkcje wspierające badanie transakcji objętych alertami, w tym system Network Link Analytics do wykrywania podejrzanych relacji i transakcji między wieloma stronami. Transakcje finansowe mogą być reprezentowane jako wykres sieci przedstawiający osoby lub konta zaangażowane jako węzły w sieci oraz wszelkie interakcje jako połączenia między węzłami. Ten wykres sieciowy relacji można wykorzystać do identyfikacji i dalszej oceny podejrzanych wzorców wpływów i wypływów finansowych.

Równolegle DBS zastąpił również pracochłonne podejście do przepływu pracy dochodzeniowej nową platformą, która automatyzuje dla analityka znaczną część wsparcia dochodzeń związanych z nadzorem i zarządzania sprawami. Nazwany CRUISE, integruje dane wyjściowe silnika opartego na regułach, modelu filtra ML i systemu Network Link Analytics.

Dodatkowo system CRUISE zapewnia analitykowi łatwy i zintegrowany dostęp do odpowiednich danych z całego banku, potrzebnych do śledzenia transakcji, które analizuje analityk. W ramach tego środowiska CRUISE bank zbiera również wszystkie informacje zwrotne związane z pracą analityka nad sprawą, która pomaga w dalszym ulepszaniu systemów i procesów DBS.

Wpływ na analityka

Oczywiście te zmiany sprawiają, że analitycy znacznie sprawniej przeglądają alerty. Kilka lat temu analitycy nadzoru transakcji DBS często spędzali dwie lub więcej godzin na przeglądaniu alertu. Czas ten obejmował czas przygotowania frontonu do pobrania danych z wielu systemów i ręcznego zestawienia odpowiednich przeszłych transakcji, a także rzeczywisty czas analizy na ocenę dowodów, poszukiwanie wzorców i dokonanie ostatecznego osądu, czy pojawił się alert. być podejrzaną transakcją w dobrej wierze.

Po wdrożeniu wielu narzędzi, w tym CRUISE, Network Link Analytics i modelu filtrów opartego na ML, analitycy są w stanie rozwiązać o około jedną trzecią więcej przypadków w tym samym czasie. Ponadto w przypadku przypadków wysokiego ryzyka zidentyfikowanych za pomocą tych narzędzi DBS jest w stanie wyłapać „złych aktorów” szybciej niż wcześniej. 

Komentując, jak różni się to od tradycyjnych metod nadzoru, szef nadzoru transakcji DBS podzielił się następującymi informacjami:

Dziś w DBS nasze maszyny są w stanie zebrać niezbędne dane wsparcia z różnych źródeł w całym banku i zaprezentować je na ekranie naszego analityka. Teraz analityk może łatwo zobaczyć odpowiednie informacje pomocnicze dla każdego alertu i podjąć właściwą decyzję bez przeszukiwania sześćdziesięciu różnych systemów w celu uzyskania danych pomocniczych. Maszyny robią teraz to dla analityka znacznie szybciej niż człowiek. Dzięki temu życie analityków staje się łatwiejsze, a ich decyzje znacznie ostrzejsze.

W przeszłości, ze względu na praktyczne ograniczenia, analitycy nadzoru transakcji byli w stanie zebrać i wykorzystać tylko niewielką część danych w banku, które były istotne dla sprawdzenia ostrzeżenia. Dziś w DBS, dzięki naszym nowym narzędziom i procesom, analityk jest w stanie podejmować decyzje w oparciu o natychmiastowy, automatyczny dostęp do niemal wszystkich istotnych danych w banku dotyczących transakcji. Widzą te dane, ładnie uporządkowane w skondensowany sposób na ekranie, z oceną ryzyka iz pomocą wyjaśniacza, który prowadzi ich przez dowody, które doprowadziły do ​​wyników modelu.

Firma DBS zainwestowała w „podniesienie” umiejętności personelu zaangażowanego w tworzenie i używanie tych nowych systemów nadzoru. Wśród pracowników korzystających z podniesienia kwalifikacji znaleźli się analitycy nadzoru transakcji, którzy posiadali wiedzę specjalistyczną w zakresie wykrywania przestępstw finansowych i zostali przeszkoleni w zakresie korzystania z nowej platformy technologicznej oraz odpowiednich umiejętności w zakresie analizy danych. Zespoły pomogły zaprojektować nowe systemy, poczynając od prac front-end w celu zidentyfikowania typologii ryzyka. Zapewnili również dane wejściowe w celu zidentyfikowania danych, które były najbardziej sensowne w użyciu i gdzie zautomatyzowana analiza danych i możliwości ML mogą być dla nich najbardziej przydatne.

Zapytany, w jaki sposób systemy wpłyną na analityków transakcji międzyludzkich w przyszłości, dyrektor ds. zgodności z DBS powiedział:

Wydajność jest zawsze ważna i zawsze musimy dążyć do jej wyższych poziomów. Chcemy zająć się opartymi na transakcjach aspektami naszego obecnego i przyszłego obciążenia pracą w zakresie nadzoru przy mniejszej liczbie osób, a następnie ponownie zainwestować uwolnione zdolności w nowe obszary nadzoru i zapobiegania oszustwom. Zawsze będą nieznane i nowe wymiary złych zachowań finansowych i złych aktorów, i musimy zainwestować więcej czasu i więcej ludzi w tego typu obszary. W miarę możliwości dokonamy tego poprzez ponowne inwestowanie wzrostu wydajności, jaki osiągamy w ramach naszych bardziej standardowych działań związanych z nadzorem transakcji.

Następna faza nadzoru transakcji

Ogólną aspiracją banku jest, aby nadzór transakcji stał się bardziej zintegrowany i bardziej proaktywny. Zamiast polegać tylko na alertach generowanych przez silnik oparty na regułach, dyrektorzy chcą korzystać z wielu poziomów zintegrowanego nadzoru ryzyka w celu holistycznego monitorowania od poziomów „transakcja, rachunek, klient, sieć i makro”. Takie połączenie pomogłoby bankowi znaleźć więcej złych aktorów, a także zrobić to skuteczniej i wydajniej. Dyrektor ds. zgodności opracował:

Należy zauważyć, że osoby zajmujące się praniem brudnych pieniędzy i uchylające się od sankcji zawsze znajdują nowe sposoby działania. Nasi pracownicy muszą pracować z naszymi technologiami i funkcjami analizy danych, aby wyprzedzać te pojawiające się zagrożenia. Chcemy uwolnić czas, który nasi ludzie spędzają na żmudnych, ręcznych aspektach przeglądania alertów i wykorzystać ten czas, aby nadążać za pojawiającymi się zagrożeniami.

Analitycy będą nadal odgrywać ważną rolę w nadzorze transakcji AML, chociaż sposób, w jaki wykorzystują swój czas i ich wiedza fachowa, będą nadal ewoluować.

Dyrektor ds. zgodności podzielił również punkt widzenia na sztuczną inteligencję: „To naprawdę rozszerzona inteligencja, a nie zautomatyzowana sztuczna inteligencja w nadzorze ryzyka. Nie sądzimy, że możemy usunąć ludzki osąd z ostatecznych decyzji, ponieważ ocena tego, co jest, a co nie jest podejrzane w kontekście prania pieniędzy i innych przestępstw finansowych, zawsze będzie zawierała element subiektywny. Nie możemy wyeliminować tego subiektywnego elementu, ale możemy zminimalizować ręczną pracę wykonywaną przez analityka w ramach przeglądania i oceny alertów”.

Lekcje, które wyciągnęliśmy z tego przypadku

• Zautomatyzowany system, który generuje dużą liczbę alertów, z których większość okazuje się fałszywymi alarmami, nie oszczędza ludzkiej pracy.

• Wiele rodzajów technologii AI (w tym przypadku reguły, ML i Network Link Analytics) można łączyć w celu poprawy możliwości systemu.

• Firmy nie mogą zmniejszać liczby osób wykonujących pracę, nawet jeśli system AI znacząco poprawia efektywność jej wykonywania. Zamiast tego pracownicy mogą wykorzystać uwolniony czas na pracę nad nowymi i bardziej wartościowymi zadaniami w swojej pracy.

• Ponieważ w ocenie złożonych transakcji biznesowych zawsze będą występowały elementy subiektywne, ludzki osąd nie może zostać wyeliminowany z procesu oceny.