Hitting the Books: Como o maior banco do Sudeste Asiático usa IA para combater fraudes financeiras

Yes, os robôs estão vindo para tomar nossos empregos. Isso é uma coisa boa, nós deveríamos estar felizes por eles estarem porque esses trabalhos que eles estão aceitando são meio chatos. Você realmente quer voltar aos dias de manualmente monitorando, sinalizando e investigando as transferências bancárias diárias do mundo em busca de fraudes financeiras e esquemas de lavagem de dinheiro? O DBS Bank, a maior instituição financeira de Cingapura, certamente não. A empresa passou anos desenvolvendo um sistema de aprendizado de máquina de ponta que automatiza fortemente o processo minucioso de “vigilância de transações”, liberando analistas humanos para realizar trabalhos de nível superior enquanto opera em delicado equilíbrio com os antigos regulamentos financeiros que limitam o setor. . É uma coisa fascinante. Trabalhando com IA por Thomas H. Davenport e Steven M. Miller está repleto de estudos de caso semelhantes de inúmeras indústrias de tecnologia, analisando a colaboração comum entre humanos e IA e fornecendo insights sobre as possíveis implicações dessas interações. 

Extraído de Trabalhando com IA: histórias reais de colaboração homem-máquina por Thomas H. Davenport e Steven M. Miller. Reimpresso com permissão da The MIT Press. Direitos autorais 2022.

Banco DBS: Vigilância de transações orientada por IA

Desde a aprovação do Bank Secrecy Act, também conhecido como Currency and Foreign Transactions Reporting Act, nos EUA em 1970, os bancos de todo o mundo têm sido responsabilizados pelos governos por prevenir a lavagem de dinheiro, fluxos suspeitos de grandes dinheiro e outros tipos de crimes financeiros. O DBS Bank, o maior banco de Cingapura e do Sudeste Asiático, há muito se concentra no combate à lavagem de dinheiro (AML) e na detecção e prevenção de crimes financeiros. De acordo com um executivo da DBS para compliance, “Queremos ter certeza de que temos controles internos rígidos dentro do banco para que os criminosos, lavadores de dinheiro e sonegadores de sanções não penetrem no sistema financeiro, seja por meio de nosso banco, seja por meio de nosso sistema nacional. , ou internacionalmente.”

As limitações dos sistemas baseados em regras para monitoramento de vigilância

Assim como em outros grandes bancos, a área de DBS que se concentra nessas questões, chamada de “vigilância de transações”, aproveita a IA há muitos anos para fazer esse tipo de trabalho. As pessoas nesta função avaliam alertas gerados por um sistema baseado em regras. As regras avaliam dados de transações de muitos sistemas diferentes em todo o banco, incluindo aqueles para consumidores, gestão de patrimônio, bancos institucionais e seus pagamentos. Todas essas transações fluem pelo sistema baseado em regras para triagem, e as regras sinalizam transações que correspondem às condições associadas a um indivíduo ou entidade que faz transações suspeitas com o banco – aquelas que envolvem um possível evento de lavagem de dinheiro ou outro tipo de fraude financeira. Os sistemas baseados em regras – no passado conhecidos como “sistemas especialistas” – são uma das formas mais antigas de IA, mas ainda são amplamente utilizados em bancos e seguros, bem como em outros setores.

No DBS e na maioria dos outros bancos em todo o mundo, sistemas de vigilância de transações financeiras baseados em regras desse tipo geram um grande número de alertas todos os dias. A principal falha dos sistemas de vigilância baseados em regras é que a maioria — até 98% — dos alertas gerados são falsos positivos. Algum aspecto da transação aciona uma regra que leva a transação a ser sinalizada na lista de alertas. No entanto, após a investigação de acompanhamento por um analista humano, verifica-se que a transação alertada não é realmente suspeita.

Os analistas de vigilância de transações precisam acompanhar todos os alertas, analisando todas as informações relevantes da transação. Eles também devem considerar os perfis dos indivíduos envolvidos na transação, seus comportamentos financeiros anteriores, o que eles declararam em “conheça seu cliente” e documentos de due diligence, e qualquer outra coisa que o banco possa saber sobre eles. O acompanhamento de alertas é um processo demorado.

Se o analista confirmar que uma transação é justificadamente suspeita ou verificada como fraude, o banco tem a obrigação legal de emitir um Relatório de Atividade Suspeita (SAR) às autoridades competentes. Esta é uma decisão de alto risco, por isso é importante que o analista acerte: se incorreta, os clientes do banco cumpridores da lei podem ser notificados incorretamente de que estão sendo investigados por crimes financeiros. Por outro lado, se um “mau ator” não for detectado e denunciado, poderá gerar problemas relacionados à lavagem de dinheiro e outros crimes financeiros.

Por enquanto, pelo menos, os sistemas baseados em regras não podem ser eliminados porque as autoridades reguladoras nacionais na maioria dos países ainda os exigem. Mas os executivos da DBS perceberam que há muitas fontes adicionais de informações internas e externas disponíveis para eles que, se usadas corretamente, podem ser aplicadas para avaliar automaticamente cada alerta do sistema baseado em regras. Isso pode ser feito usando ML, que pode lidar com padrões mais complexos e fazer previsões mais precisas do que sistemas baseados em regras.

Usando a nova geração de recursos de IA para aprimorar a vigilância

Há alguns anos, a DBS iniciou um projeto para aplicar a nova geração de recursos de IA/ML em combinação com o sistema de triagem baseado em regras existente. A combinação permitiria ao banco priorizar todos os alertas gerados pelo sistema baseado em regras de acordo com uma pontuação de probabilidade calculada numericamente indicando o nível de suspeita. O sistema de ML foi treinado para reconhecer situações suspeitas e fraudulentas de dados e resultados recentes e históricos. Na época de nossas entrevistas, o novo sistema de filtragem baseado em ML estava em uso há pouco mais de um ano. O sistema revisa todos os alertas gerados pelo sistema baseado em regras, atribui a cada alerta uma pontuação de risco e categoriza cada alerta em categorias de alto, médio e baixo risco. Esse tipo de “pós-processamento” dos alertas baseados em regras permite ao analista decifrar quais priorizar imediatamente (os das categorias de alto e médio risco) e quais podem esperar (os da categoria de menor risco) . Uma capacidade importante desse sistema de ML é que ele possui um explicador que mostra ao analista as evidências usadas para fazer a avaliação automatizada da probabilidade de a transação ser suspeita. A explicação e a navegação guiada fornecidas pelo modelo de IA/ML ajudam o analista a tomar a decisão de risco correta.

A DBS também desenvolveu outros novos recursos para dar suporte à investigação de transações alertadas, incluindo um sistema Network Link Analytics para detectar relacionamentos e transações suspeitas entre várias partes. As transações financeiras podem ser representadas como um gráfico de rede mostrando as pessoas ou contas envolvidas como nós na rede e quaisquer interações como os links entre os nós. Este gráfico de rede de relacionamentos pode ser usado para identificar e avaliar padrões suspeitos de entradas e saídas financeiras.

Paralelamente, o DBS também substituiu uma abordagem de trabalho intensivo ao fluxo de trabalho de investigação por uma nova plataforma que automatiza para o analista grande parte do suporte para investigação e gerenciamento de casos relacionados à vigilância. Chamado CRUISE, ele integra as saídas do mecanismo baseado em regras, o modelo de filtro ML e o sistema Network Link Analytics.

Além disso, o sistema CRUISE fornece ao analista acesso fácil e integrado aos dados relevantes de todo o banco necessários para acompanhar as transações que o analista está investigando. Dentro desse ambiente CRUISE, o banco também capta todo o feedback relacionado ao trabalho do analista no caso, e esse feedback ajuda a melhorar ainda mais os sistemas e processos do DBS.

Impacto no Analista

Obviamente, esses desenvolvimentos tornam os analistas muito mais eficientes na revisão de alertas. Alguns anos atrás, não era incomum que um analista de vigilância de transações do DBS passasse duas ou mais horas analisando um alerta. Esse tempo incluiu o tempo de preparação do front-end para buscar dados de vários sistemas e coletar manualmente transações anteriores relevantes, e o tempo real de análise para avaliar as evidências, procurar padrões e fazer o julgamento final sobre se o alerta apareceu ou não ser uma transação suspeita de boa-fé.

Após a implementação de várias ferramentas, incluindo CRUISE, Network Link Analytics e o modelo de filtro baseado em ML, os analistas podem resolver cerca de um terço a mais de casos no mesmo período de tempo. Além disso, para os casos de alto risco identificados usando essas ferramentas, o DBS é capaz de capturar os “maus atores” mais rapidamente do que antes. 

Comentando sobre como isso difere das abordagens de vigilância tradicionais, o chefe de vigilância de transações do DBS compartilhou o seguinte:

Hoje na DBS, nossas máquinas são capazes de reunir os dados de suporte necessários de várias fontes em todo o banco e apresentá-los na tela do nosso analista. Agora, o analista pode ver facilmente as informações de suporte relevantes para cada alerta e tomar a decisão certa sem pesquisar em sessenta sistemas diferentes para obter os dados de suporte. As máquinas agora fazem isso para o analista muito mais rápido do que um humano. Isso torna a vida dos analistas mais fácil e suas decisões muito mais precisas.

No passado, devido a limitações práticas, os analistas de vigilância de transações conseguiam coletar e usar apenas uma pequena fração dos dados dentro do banco que eram relevantes para revisar o alerta. Hoje na DBS, com nossas novas ferramentas e processos, o analista pode tomar decisões com base no acesso instantâneo e automático a quase todos os dados relevantes dentro do banco sobre a transação. Eles veem esses dados, bem organizados de forma condensada em sua tela, com uma pontuação de risco e com a ajuda de um explicador que os orienta pelas evidências que levaram à saída do modelo.

A DBS investiu em um “aumento” do conjunto de habilidades em toda a equipe envolvida na criação e uso desses novos sistemas de vigilância. Entre os funcionários que se beneficiaram do upskilling estavam os analistas de vigilância de transações, que tinham experiência na detecção de crimes financeiros e foram treinados no uso da nova plataforma de tecnologia e em habilidades relevantes de análise de dados. As equipes ajudaram a projetar os novos sistemas, começando com o trabalho de front-end para identificar as tipologias de risco. Eles também forneceram entradas para identificar os dados que faziam mais sentido usar e onde a análise automatizada de dados e os recursos de ML poderiam ser mais úteis para eles.

Quando perguntado como os sistemas afetariam os analistas de transações humanas no futuro, o executivo de conformidade da DBS disse:

A eficiência é sempre importante, e devemos sempre buscar níveis mais altos dela. Queremos lidar com os aspectos baseados em transações de nossa carga de trabalho de vigilância atual e futura com menos pessoas e, em seguida, reinvestir a capacidade liberada em novas áreas de vigilância e prevenção de fraudes. Sempre haverá dimensões desconhecidas e novas de mau comportamento financeiro e maus atores, e precisamos investir mais tempo e mais pessoas nesses tipos de áreas. Na medida do possível, faremos isso reinvestindo os ganhos de eficiência que obtivemos em nossos esforços de vigilância de transações mais padronizados.

A Próxima Fase da Vigilância de Transações

A aspiração geral do banco é que a vigilância de transações se torne mais integrada e mais proativa. Em vez de confiar apenas em alertas gerados a partir do mecanismo baseado em regras, os executivos desejam fazer uso de vários níveis de vigilância de risco integrada para monitorar de forma holística desde os níveis de “transação, conta, cliente, rede e macro”. Essa combinação ajudaria o banco a encontrar mais maus atores e fazê-lo de forma mais eficaz e eficiente. O executivo de compliance elaborou:

É importante notar que os branqueadores de dinheiro e os sonegadores de sanções estão sempre encontrando novas maneiras de fazer as coisas. Nosso pessoal precisa trabalhar com nossos recursos de tecnologia e análise de dados para ficar à frente dessas ameaças emergentes. Queremos liberar o tempo que nosso pessoal gasta com os aspectos tediosos e manuais da revisão de alertas e usar esse tempo para acompanhar as ameaças emergentes.

Os analistas humanos continuarão a desempenhar um papel importante na vigilância de transações AML, embora a maneira como eles usam seu tempo e sua experiência humana continuem a evoluir.

O executivo de compliance também compartilhou uma perspectiva sobre IA: “É realmente inteligência aumentada, em vez de IA automatizada na vigilância de riscos. Não achamos que podemos remover o julgamento humano das decisões finais porque sempre haverá um elemento subjetivo nas avaliações do que é e do que não é suspeito no contexto de lavagem de dinheiro e outros crimes financeiros. Não podemos eliminar esse elemento subjetivo, mas podemos minimizar o trabalho manual que o analista humano faz como parte da revisão e avaliação dos alertas.”

Lições que aprendemos com este caso

• Um sistema automatizado que gera um grande número de alertas, a maioria dos quais são falsos positivos, não economiza trabalho humano.

• Vários tipos de tecnologia de IA (neste caso, regras, ML e Network Link Analytics) podem ser combinados para melhorar os recursos do sistema.

• As empresas podem não reduzir o número de pessoas fazendo um trabalho, mesmo quando o sistema de IA melhora substancialmente a eficiência de fazê-lo. Em vez disso, os funcionários podem usar o tempo liberado para trabalhar em tarefas novas e de maior valor em seus empregos.

• Como sempre haverá elementos subjetivos na avaliação de transações comerciais complexas, o julgamento humano não pode ser eliminado do processo de avaliação.