Попадание в книги: как крупнейший банк Юго-Восточной Азии использует ИИ для борьбы с финансовым мошенничеством

Yда, роботы приходят, чтобы занять наши рабочие места. Это хорошо, мы должны быть счастливы, потому что те работы, которые они берут, отстой. Вы действительно хотите вернуться в дни вручную отслеживать, помечать и расследовать ежедневные банковские переводы в мире в поисках финансовых махинаций и схем отмывания денег? DBS Bank, крупнейшее финансовое учреждение Сингапура, конечно, нет. Компания потратила годы на разработку передовой системы машинного обучения, которая в значительной степени автоматизирует крошечный процесс «наблюдения за транзакциями», освобождая людей-аналитиков для выполнения работы более высокого уровня, работая в тонком балансе со старинными финансовыми правилами, ограничивающими отрасль. . Это захватывающая вещь. Работа с ИИ Томаса Х. Дэвенпорта и Стивена М. Миллера наполнен аналогичными примерами из множества технологических отраслей, рассматривающими обычное сотрудничество человека и ИИ и дающими представление о потенциальных последствиях этих взаимодействий. 

Отрывок из книги Работа с ИИ: реальные истории сотрудничества человека и машины Томас Х. Давенпорт и Стивен М. Миллер. Перепечатано с разрешения The MIT Press. Авторское право 2022.

DBS Bank: наблюдение за транзакциями с помощью ИИ

С момента принятия в 1970 году в США Закона о банковской тайне, также известного как Закон об отчетности о валютных и иностранных операциях, банки во всем мире несут ответственность перед правительствами за предотвращение отмывания денег, подозрительных трансграничных потоков крупных сумм деньги и другие виды финансовых преступлений. DBS Bank, крупнейший банк Сингапура и Юго-Восточной Азии, уже давно занимается борьбой с отмыванием денег (AML) и выявлением и предотвращением финансовых преступлений. По словам руководителя DBS по соблюдению требований: «Мы хотим убедиться, что у нас есть жесткий внутренний контроль в банке, чтобы преступники, отмыватели денег и лица, уклоняющиеся от санкций, не проникали в финансовую систему ни через наш банк, ни через нашу национальную систему. или на международном уровне».

Ограничения систем наблюдения, основанных на правилах

Как и в других крупных банках, область DBS, которая занимается этими вопросами, называемая «наблюдение за транзакциями», уже много лет использует преимущества ИИ для выполнения такого рода работы. Люди в этой функции оценивают оповещения, выдаваемые системой, основанной на правилах. Правила оценивают данные транзакций из множества различных систем банка, в том числе для потребителей, управления капиталом, институционального банкинга и их платежей. Все эти транзакции проходят через систему проверки, основанную на правилах, и правила помечают транзакции, которые соответствуют условиям, связанным с физическим или юридическим лицом, совершающим подозрительные транзакции с банком — те, которые связаны с потенциальным отмыванием денег или другим видом финансового мошенничества. Системы на основе правил — в прошлом известные как «экспертные системы» — являются одной из старейших форм ИИ, но они до сих пор широко используются в банковском деле и страховании, а также в других отраслях.

В DBS и большинстве других банков по всему миру основанные на правилах системы наблюдения за финансовыми транзакциями такого рода генерируют большое количество предупреждений каждый день. Основным недостатком систем наблюдения, основанных на правилах, является то, что большинство — до 98 процентов — генерируемых предупреждений являются ложными срабатываниями. Некоторый аспект транзакции запускает правило, которое приводит к тому, что транзакция помечается в списке предупреждений. Однако после последующего расследования, проведенного аналитиком, выясняется, что транзакция, о которой было получено предупреждение, на самом деле не является подозрительной.

Аналитики наблюдения за транзакциями должны следить за каждым предупреждением, просматривая всю соответствующую информацию о транзакциях. Они также должны учитывать профили лиц, участвовавших в сделке, их прошлое финансовое поведение, все, что они заявили в документах «знай своего клиента» и в документах по надлежащей проверке клиентов, а также все, что банк может знать о них. Отслеживание предупреждений — это трудоемкий процесс.

Если аналитик подтвердит, что транзакция обоснованно подозрительна или подтверждена как мошенничество, банк по закону обязан направить отчет о подозрительной деятельности (SAR) в соответствующие органы. Это решение с высокими ставками, поэтому аналитику важно правильно его понять: если оно неверно, законопослушные клиенты банка могут быть неправильно уведомлены о том, что в отношении них ведется расследование финансовых преступлений. С другой стороны, если «злоумышленник» не будет обнаружен и о нем не будет сообщено, это может привести к проблемам, связанным с отмыванием денег и другими финансовыми преступлениями.

По крайней мере, на данный момент системы, основанные на правилах, не могут быть устранены, потому что национальные регулирующие органы в большинстве стран все еще требуют их. Но руководители DBS осознали, что им доступно множество дополнительных источников внутренней и внешней информации, которые при правильном использовании можно применять для автоматической оценки каждого предупреждения из системы, основанной на правилах. Это можно сделать с помощью машинного обучения, которое может работать с более сложными шаблонами и делать более точные прогнозы, чем системы, основанные на правилах.

Использование возможностей искусственного интеллекта нового поколения для улучшения наблюдения

Несколько лет назад DBS начала проект по применению возможностей AI/ML нового поколения в сочетании с существующей системой проверки на основе правил. Комбинация позволит банку расставить приоритеты для всех предупреждений, генерируемых системой, основанной на правилах, в соответствии с численно рассчитанной оценкой вероятности, указывающей уровень подозрения. Система машинного обучения была обучена распознавать подозрительные и мошеннические ситуации на основе недавних и исторических данных и результатов. На момент наших интервью новая система фильтрации на основе машинного обучения использовалась чуть более года. Система просматривает все оповещения, созданные системой на основе правил, присваивает каждому оповещению оценку риска и распределяет каждое оповещение по категориям с более высоким, средним и низким уровнем риска. Этот тип «постобработки» предупреждений на основе правил позволяет аналитику расшифровать, какие из них следует отдать приоритет немедленно (в категориях с более высоким и средним риском), а какие можно подождать (в категории с наименьшим риском). . Важной возможностью этой системы машинного обучения является то, что в ней есть объяснитель, который показывает аналитику доказательства, используемые при автоматической оценке вероятности того, что транзакция является подозрительной. Объяснение и управляемая навигация, предоставляемые моделью AI/ML, помогают аналитику принять правильное решение о рисках.

DBS также разработала другие новые возможности для поддержки расследования предупрежденных транзакций, в том числе систему Network Link Analytics для обнаружения подозрительных отношений и транзакций между несколькими сторонами. Финансовые транзакции могут быть представлены в виде сетевого графа, показывающего людей или учетные записи, задействованные в качестве узлов в сети, и любые взаимодействия в виде связей между узлами. Этот сетевой граф взаимосвязей можно использовать для выявления и дальнейшей оценки подозрительных моделей финансовых притоков и оттоков.

Параллельно DBS также заменила трудоемкий подход к рабочему процессу расследования новой платформой, которая автоматизирует для аналитика большую часть поддержки расследования, связанного с наблюдением, и управления делами. Названный CRUISE, он объединяет выходные данные механизма на основе правил, модели фильтра машинного обучения и системы аналитики сетевых ссылок.

Кроме того, система CRUISE предоставляет аналитику простой и интегрированный доступ к соответствующим данным со всего банка, необходимым для отслеживания транзакций, которые расследует аналитик. В этой среде CRUISE банк также фиксирует все отзывы, связанные с работой аналитика над делом, и эти отзывы помогают в дальнейшем улучшать системы и процессы DBS.

Влияние на аналитика

Конечно, эти разработки делают аналитиков намного более эффективными при рассмотрении предупреждений. Несколько лет назад аналитик по наблюдению за транзакциями DBS нередко тратил два или более часа на изучение предупреждения. Это время включало время предварительной подготовки для извлечения данных из нескольких систем и ручного сопоставления соответствующих прошлых транзакций, а также время фактического анализа для оценки доказательств, поиска закономерностей и принятия окончательного решения о том, появилось ли предупреждение. быть добросовестной подозрительной сделкой.

После внедрения нескольких инструментов, включая CRUISE, Network Link Analytics и модель фильтрации на основе машинного обучения, аналитики могут разрешать примерно на треть больше случаев за то же время. Кроме того, для случаев высокого риска, которые выявляются с помощью этих инструментов, DBS может быстрее, чем раньше, выявлять «злоумышленников». 

Комментируя, чем это отличается от традиционных подходов к наблюдению, глава отдела наблюдения за транзакциями DBS поделился следующим:

Сегодня в DBS наши машины могут собирать необходимые вспомогательные данные из различных источников по всему банку и отображать их на экране нашего аналитика. Теперь аналитик может легко просмотреть соответствующую вспомогательную информацию для каждого предупреждения и принять правильное решение, не просматривая шестьдесят различных систем для получения вспомогательных данных. Теперь машины делают это за аналитика гораздо быстрее, чем человек. Это делает жизнь аналитиков проще, а их решения более точными.

В прошлом из-за практических ограничений аналитики по наблюдению за транзакциями могли собирать и использовать лишь небольшую часть данных в банке, которые имели отношение к рассмотрению предупреждения. Сегодня в DBS, с нашими новыми инструментами и процессами, аналитик может принимать решения на основе мгновенного автоматического доступа почти ко всем соответствующим данным в банке о транзакции. Они видят эти данные, хорошо организованные в сжатой форме, на своем экране, с оценкой риска и с помощью объяснения, которое ведет их через доказательства, которые привели к выводу модели.

DBS вложила средства в повышение квалификации сотрудников, которые участвовали в создании и использовании этих новых систем видеонаблюдения. Среди сотрудников, выигравших от повышения квалификации, были аналитики по наблюдению за транзакциями, которые имели опыт выявления финансовых преступлений и были обучены использованию новой технологической платформы и соответствующим навыкам анализа данных. Команды помогли разработать новые системы, начиная с предварительной работы по определению типологий рисков. Они также предоставили входные данные, чтобы определить, какие данные наиболее целесообразно использовать и где автоматизированный анализ данных и возможности машинного обучения могут быть для них наиболее полезными.

На вопрос, как системы повлияют на аналитиков транзакций в будущем, исполнительный директор DBS сказал:

Эффективность всегда важна, и мы всегда должны стремиться к ее более высокому уровню. Мы хотим справиться с транзакционными аспектами нашей текущей и будущей рабочей нагрузки по наблюдению с меньшим количеством людей, а затем реинвестировать высвободившиеся мощности в новые области наблюдения и предотвращения мошенничества. Всегда будут неизвестные и новые аспекты плохого финансового поведения и плохих актеров, и нам нужно вкладывать больше времени и больше людей в эти области. Насколько это возможно, мы будем делать это путем реинвестирования повышения эффективности, которого мы достигаем в рамках наших более стандартных усилий по наблюдению за транзакциями.

Следующий этап наблюдения за транзакциями

Общее стремление банка состоит в том, чтобы наблюдение за транзакциями стало более интегрированным и активным. Вместо того, чтобы просто полагаться на оповещения, генерируемые механизмом, основанным на правилах, руководители хотят использовать несколько уровней интегрированного наблюдения за рисками для комплексного мониторинга от «транзакций до счетов, клиентов, сети и макроуровней». Эта комбинация поможет банку найти больше злоумышленников и сделать это более эффективно и результативно. Исполнительный директор уточнил:

Важно отметить, что отмывающие деньги и лица, уклоняющиеся от санкций, всегда находят новые способы ведения дел. Наши сотрудники должны работать с нашими технологиями и возможностями анализа данных, чтобы опережать эти новые угрозы. Мы хотим освободить время, которое наши сотрудники тратят на утомительную ручную проверку предупреждений, и использовать это время, чтобы не отставать от возникающих угроз.

Аналитики-люди будут продолжать играть важную роль в наблюдении за транзакциями в сфере ПОД, хотя то, как они используют свое время и их человеческий опыт, будет продолжать развиваться.

Руководитель отдела нормативно-правового соответствия также поделился своим мнением об ИИ: «Это действительно расширенный интеллект, а не автоматизированный ИИ для наблюдения за рисками. Мы не думаем, что можем исключить человеческое суждение из окончательных решений, потому что всегда будет субъективный элемент в оценках того, что является и что не является подозрительным в контексте отмывания денег и других финансовых преступлений. Мы не можем устранить этот субъективный элемент, но мы можем свести к минимуму ручную работу, которую выполняет человек-аналитик при просмотре и оценке предупреждений».

Уроки, которые мы извлекли из этого случая

• Автоматизированная система, генерирующая большое количество предупреждений, большинство из которых оказываются ложными срабатываниями, не экономит человеческий труд.

• Несколько типов технологий искусственного интеллекта (в данном случае правила, машинное обучение и аналитика сетевых ссылок) можно комбинировать для улучшения возможностей системы.

• Компании могут не сокращать количество людей, выполняющих работу, даже если система ИИ существенно повышает эффективность ее выполнения. Вместо этого сотрудники могут использовать освободившееся время для работы над новыми и более важными задачами в своей работе.

• Поскольку в оценке сложных деловых операций всегда будут присутствовать субъективные элементы, человеческое суждение не может быть исключено из процесса оценки.