Hiting the Books: Kako največja banka v jugovzhodni Aziji uporablja AI za boj proti finančnim goljufijam

YDa, roboti bodo prevzeli naša delovna mesta. To je dobra stvar, morali bi biti veseli, ker so te službe, ki jih sprejemajo, zanič. Se res želite vrniti v čase ročno spremljanje, označevanje in preiskovanje vsakodnevnih svetovnih bančnih nakazil v iskanju finančnih goljufij in shem pranja denarja? Banka DBS, največja singapurska finančna institucija, zagotovo ne. Podjetje je leta razvijalo najsodobnejši sistem strojnega učenja, ki močno avtomatizira do potankosti prizadet proces »nadzora transakcij«, s čimer človeškim analitikom omogoči opravljanje dela na višji ravni, medtem ko deluje v občutljivem ravnovesju s starodavnimi finančnimi predpisi, ki so omejili industrijo. . To je fascinantna stvar. Delo z AI Thomasa H. Davenporta in Stevena M. Millerja je poln podobnih študij primerov iz številnih tehnoloških industrij, ki obravnavajo običajno sodelovanje človeka in umetne inteligence ter zagotavljajo vpogled v morebitne posledice teh interakcij. 

Izvleček iz Delo z umetno inteligenco: resnične zgodbe o sodelovanju med človekom in strojem avtorja Thomas H. Davenport in Steven M. Miller. Ponatisnjeno z dovoljenjem The MIT Press. Avtorske pravice 2022.

DBS Bank: Nadzor transakcij na podlagi umetne inteligence

Od sprejetja zakona o bančni tajnosti, znanega tudi kot zakon o poročanju o valutah in tujih transakcijah, v ZDA leta 1970 so vlade banke po vsem svetu odgovarjale za preprečevanje pranja denarja, sumljivih čezmejnih tokov velikih količin denar in druge vrste finančnega kriminala. DBS Bank, največja banka v Singapurju in jugovzhodni Aziji, se že dolgo osredotoča na preprečevanje pranja denarja (AML) ter odkrivanje in preprečevanje finančnega kriminala. Po besedah ​​izvršnega direktorja DBS za skladnost: »Želimo se prepričati, da imamo v banki stroge notranje kontrole, tako da storilci, pralci denarja in tisti, ki se izmikajo sankcijam, ne prodrejo v finančni sistem, bodisi prek naše banke, prek našega nacionalnega sistema. , ali mednarodno."

Omejitve na pravilih temelječih sistemov za spremljanje nadzora

Tako kot v drugih velikih bankah je področje DBS, ki se osredotoča na ta vprašanja, imenovano »nadzor transakcij«, že več let izkorišča prednosti umetne inteligence za opravljanje te vrste dela. Osebe v tej funkciji ocenjujejo opozorila, ki jih sproži sistem, ki temelji na pravilih. Pravila ocenjujejo podatke o transakcijah iz številnih različnih sistemov v banki, vključno s tistimi za potrošnike, upravljanje premoženja, institucionalno bančništvo in njihova plačila. Vse te transakcije tečejo skozi sistem, ki temelji na pravilih za preverjanje, pravila pa označujejo transakcije, ki se ujemajo s pogoji, povezanimi s posameznikom ali subjektom, ki opravlja sumljive transakcije z banko – tiste, ki vključujejo potencialno pranje denarja ali drugo vrsto finančne goljufije. Sistemi, ki temeljijo na pravilih – v preteklosti znani kot »strokovni sistemi« – so ena najstarejših oblik umetne inteligence, vendar se še vedno pogosto uporabljajo v bančništvu in zavarovalništvu ter v drugih panogah.

V DBS in večini drugih bank po svetu tovrstni sistemi za nadzor finančnih transakcij, ki temeljijo na pravilih, vsak dan ustvarijo veliko število opozoril. Glavna pomanjkljivost nadzornih sistemov, ki temeljijo na pravilih, je, da je večina – do 98 odstotkov – ustvarjenih opozoril lažno pozitivnih. Nekateri vidiki transakcije sprožijo pravilo, zaradi katerega je transakcija označena na seznamu opozoril. Vendar se po nadaljnji preiskavi človeškega analitika izkaže, da opozorjena transakcija dejansko ni sumljiva.

Analitiki za nadzor transakcij morajo slediti vsakemu opozorilu in pregledati vse pomembne informacije o transakciji. Upoštevati morajo tudi profile posameznikov, vpletenih v transakcijo, njihovo preteklo finančno vedenje, kar koli so navedli v dokumentih »spoznaj svojo stranko« in dokumente o skrbnem pregledu stranke ter kar koli drugega, kar banka morda ve o njih. Spremljanje opozoril je dolgotrajen proces.

Če analitik potrdi, da je transakcija upravičeno sumljiva ali preverjena kot goljufija, ima banka zakonsko obveznost izdati poročilo o sumljivi dejavnosti (SAR) ustreznim organom. To je odločitev z visokimi vložki, zato je pomembno, da jo analitik pravilno sprejme: če je napačna, bi lahko bančne stranke, ki spoštujejo zakon, napačno obvestile, da se jih preiskuje zaradi finančnih kaznivih dejanj. Po drugi strani pa lahko, če »slabega akterja« ne odkrijemo in prijavimo, pride do težav, povezanih s pranjem denarja in drugimi finančnimi kaznivimi dejanji.

Vsaj za zdaj sistemov, ki temeljijo na pravilih, ni mogoče odpraviti, ker jih nacionalni regulativni organi v večini držav še vedno zahtevajo. Vendar so vodje DBS spoznali, da so jim na voljo številni dodatni viri notranjih in zunanjih informacij, ki bi jih lahko, če bi jih pravilno uporabili, uporabili za samodejno ovrednotenje vsakega opozorila iz sistema, ki temelji na pravilih. To bi lahko naredili z uporabo ML, ki lahko obravnava bolj zapletene vzorce in daje natančnejše napovedi kot sistemi, ki temeljijo na pravilih.

Uporaba nove generacije zmogljivosti AI za izboljšanje nadzora

Pred nekaj leti je DBS začel projekt za uporabo nove generacije zmogljivosti AI/ML v kombinaciji z obstoječim sistemom pregledovanja, ki temelji na pravilih. Kombinacija bi banki omogočila prednostno razvrstitev vseh opozoril, ki jih ustvari sistem na podlagi pravil, glede na numerično izračunano oceno verjetnosti, ki kaže na stopnjo suma. Sistem ML je bil usposobljen za prepoznavanje sumljivih in goljufivih situacij na podlagi nedavnih in preteklih podatkov in rezultatov. V času naših intervjujev je bil novi filtrirni sistem, ki temelji na ML, v uporabi nekaj več kot eno leto. Sistem pregleda vsa opozorila, ki jih ustvari sistem, ki temelji na pravilih, vsakemu opozorilu dodeli oceno tveganja in razvrsti vsako opozorilo v kategorije višjega, srednjega in nižjega tveganja. Ta vrsta "naknadne obdelave" opozoril, ki temeljijo na pravilih, omogoča analitiku, da dešifrira, katerim naj takoj da prednost (tistim v kategorijah višjega in srednjega tveganja) in katerim lahko počaka (tistim v kategoriji najmanjšega tveganja). . Pomembna zmožnost tega sistema ML je, da ima pojasnjevalec, ki analitiku pokaže dokaze, uporabljene pri samodejni oceni verjetnosti, da je transakcija sumljiva. Razlaga in vodena navigacija, ki ju daje model AI/ML, analitiku pomagata sprejeti pravo odločitev glede tveganja.

DBS je razvil tudi druge nove zmogljivosti za podporo preiskovanju opozorjenih transakcij, vključno s sistemom Network Link Analytics za odkrivanje sumljivih odnosov in transakcij med več strankami. Finančne transakcije je mogoče predstaviti kot mrežni graf, ki prikazuje osebe ali račune, vključene kot vozlišča v omrežju, in morebitne interakcije kot povezave med vozlišči. Ta mrežni graf odnosov se lahko uporablja za prepoznavanje in nadaljnjo oceno sumljivih vzorcev finančnih prilivov in odlivov.

Vzporedno je DBS zamenjal delovno intenziven pristop k preiskovalnemu poteku dela z novo platformo, ki za analitike avtomatizira velik del podpore za preiskave, povezane z nadzorom, in vodenje primerov. Imenuje se CRUISE in združuje rezultate mehanizma, ki temelji na pravilih, model filtra ML in sistem Network Link Analytics.

Poleg tega sistem CRUISE analitiku omogoča enostaven in integriran dostop do ustreznih podatkov iz vse banke, ki so potrebni za spremljanje transakcij, ki jih preiskuje analitik. Znotraj tega okolja CRUISE banka zajame tudi vse povratne informacije, povezane z delom analitika na primeru, in te povratne informacije pomagajo še izboljšati sisteme in procese DBS.

Vpliv na analitika

Seveda so zaradi tega razvoja analitiki veliko bolj učinkoviti pri pregledovanju opozoril. Pred nekaj leti ni bilo neobičajno, da je analitik DBS za nadzor transakcij porabil dve ali več ur za preučevanje opozorila. Ta čas je vključeval začetni čas priprave za pridobivanje podatkov iz več sistemov in ročno primerjanje ustreznih preteklih transakcij ter dejanski čas analize za ovrednotenje dokazov, iskanje vzorcev in končno presojo, ali se je opozorilo pojavilo ali ne biti v dobri veri sumljiva transakcija.

Po implementaciji več orodij, vključno s CRUISE, Network Link Analytics in modelom filtrov, ki temelji na ML, lahko analitiki razrešijo približno eno tretjino več primerov v istem času. Tudi za primere z visokim tveganjem, ki so prepoznani s temi orodji, lahko DBS ujame "slabe akterje" hitreje kot prej. 

Ko je komentiral, kako se to razlikuje od tradicionalnih pristopov nadzora, je vodja nadzora transakcij DBS delil naslednje:

Danes lahko naši stroji v DBS zberejo potrebne podporne podatke iz različnih virov po vsej banki in jih predstavijo na zaslonu našega analitika. Zdaj lahko analitik preprosto vidi ustrezne podporne informacije za vsako opozorilo in sprejme pravo odločitev, ne da bi iskal podporne podatke po šestdesetih različnih sistemih. Stroji zdaj to naredijo za analitika veliko hitreje kot človek. Analitikom olajša življenje, njihove odločitve pa ostrejše.

V preteklosti so lahko analitiki za nadzor transakcij zaradi praktičnih omejitev zbrali in uporabili le majhen del podatkov v banki, ki so bili pomembni za pregled opozorila. Danes lahko analitik v DBS z našimi novimi orodji in procesi sprejema odločitve na podlagi takojšnjega, samodejnega dostopa do skoraj vseh pomembnih podatkov v banki o transakciji. Vidijo te podatke, lepo organizirane na zgoščen način na svojem zaslonu, z oceno tveganja in s pomočjo razlagalca, ki jih vodi skozi dokaze, ki so privedli do rezultata modela.

DBS je vložil v »dvig« nabora spretnosti osebja, ki je sodelovalo pri ustvarjanju in uporabi teh novih sistemov nadzora. Med osebjem, ki je pridobilo izpopolnjevanje, so bili analitiki za nadzor transakcij, ki so imeli strokovno znanje o odkrivanju finančnih kaznivih dejanj in so bili usposobljeni za uporabo nove tehnološke platforme in ustreznih veščin analitike podatkov. Ekipe so pomagale oblikovati nove sisteme, začenši s prvim delom za prepoznavanje tipologij tveganja. Zagotovili so tudi vhodne podatke za identifikacijo podatkov, ki so bili najbolj smiselni za uporabo in kjer bi jim bile lahko najbolj koristne avtomatizirana podatkovna analitika in zmožnosti ML.

Na vprašanje, kako bodo sistemi v prihodnosti vplivali na analitike človeških transakcij, je izvršni direktor DBS za skladnost dejal:

Učinkovitost je vedno pomembna in vedno moramo stremeti k njeni višji ravni. Na transakcijah temelječe vidike naše trenutne in prihodnje delovne obremenitve nadzora želimo obravnavati z manj ljudmi in nato ponovno vložiti sproščeno zmogljivost v nova področja nadzora in preprečevanja goljufij. Vedno bodo neznane in nove razsežnosti slabega finančnega ravnanja in slabih akterjev, zato moramo v tovrstna področja vložiti več časa in več ljudi. Kolikor bomo lahko, bomo to storili s ponovnim vlaganjem povečanja učinkovitosti, ki ga dosežemo v naših bolj standardnih prizadevanjih za nadzor transakcij.

Naslednja faza nadzora transakcij

Splošna težnja banke je, da postane nadzor transakcij bolj integriran in bolj proaktiven. Namesto da bi se zanašali samo na opozorila, ustvarjena iz mehanizma, ki temelji na pravilih, želijo vodstveni delavci uporabiti več ravni integriranega nadzora tveganja za celostno spremljanje od ravni »transakcije do računa do stranke do omrežja do makro«. Ta kombinacija bi banki pomagala najti več slabih akterjev in to narediti bolj uspešno in uspešno. Izvršni direktor za skladnost je pojasnil:

Pomembno je omeniti, da pralci denarja in tisti, ki se izmikajo sankcijam, vedno najdejo nove načine za početje. Naši ljudje morajo delati z našo tehnologijo in zmogljivostmi za analizo podatkov, da ostanejo pred temi nastajajočimi grožnjami. Želimo sprostiti čas, ki so ga naši zaposleni porabili za dolgočasne, ročne vidike pregledovanja opozoril, in ta čas uporabiti, da sledimo nastajajočim grožnjam.

Človeški analitiki bodo še naprej igrali pomembno vlogo pri nadzoru transakcij AML, čeprav se bosta njihov način porabe časa in njihovo človeško strokovno znanje še naprej razvijala.

Izvršni direktor za skladnost je prav tako delil pogled na umetno inteligenco: »To je res razširjena inteligenca in ne avtomatizirana umetna inteligenca pri nadzoru tveganja. Menimo, da ne moremo odstraniti človeške presoje iz končnih odločitev, ker bo vedno obstajal subjektivni element v ocenah, kaj je in kaj ni sumljivo v kontekstu pranja denarja in drugih finančnih kaznivih dejanj. Tega subjektivnega elementa ne moremo odpraviti, lahko pa zmanjšamo ročno delo, ki ga opravi človeški analitik kot del pregleda in ocenjevanja opozoril.«

Lekcije, ki smo se jih naučili iz tega primera

• Avtomatiziran sistem, ki ustvarja veliko število opozoril, od katerih se večina izkaže za lažno pozitivna, ne prihrani človeškega dela.

• Več vrst tehnologije umetne inteligence (v tem primeru pravila, ML in analitika omrežnih povezav) je mogoče kombinirati za izboljšanje zmogljivosti sistema.

• Podjetja morda ne bodo zmanjšala števila ljudi, ki opravljajo delo, tudi če sistem AI bistveno izboljša učinkovitost njegovega opravljanja. Namesto tega lahko zaposleni izkoristijo sproščeni čas za delo na novih in bolj cenjenih nalogah v svojih službah.

• Ker bodo pri ocenjevanju zapletenih poslovnih transakcij vedno prisotni subjektivni elementi, človeške presoje morda ne bomo izločili iz procesa ocenjevanja.