Hitting the Books: Paano ginagamit ng pinakamalaking bangko sa Southeast Asia ang AI para labanan ang pandaraya sa pananalapi

Yes, darating ang mga robot para kunin ang ating mga trabaho. That's a good thing, we should be happy they are kasi medyo nakakapagod 'yung mga trabahong kinukuha nila. Gusto mo ba talagang bumalik sa mga araw ng mano-mano pagsubaybay, pag-flag at pagsisiyasat sa mga araw-araw na bank transfer sa mundo sa paghahanap ng pandaraya sa pananalapi at money laundering scheme? Ang DBS Bank, ang pinakamalaking institusyong pinansyal ng Singapore, ay tiyak na hindi. Ang kumpanya ay gumugol ng maraming taon sa pagbuo ng isang cutting-edge na machine learning system na lubos na nag-o-automate sa minutia-stricken na proseso ng "transaction surveillance," na nagpapalaya sa mga human analyst na magsagawa ng mas mataas na antas ng trabaho habang tumatakbo sa maselan na balanse sa mga antigong regulasyon sa pananalapi na nagbubuklod sa industriya . Ito ay kamangha-manghang bagay. Nagtatrabaho sa AI ni Thomas H. Davenport at Steven M. Miller ay puno ng mga katulad na pag-aaral ng kaso mula sa napakaraming tech na industriya, tumitingin sa karaniwang pakikipagtulungan ng tao-AI at nagbibigay ng insight sa mga potensyal na implikasyon ng mga pakikipag-ugnayang ito. 

Excerpted mula sa Paggawa gamit ang AI: Mga Tunay na Kuwento ng Human-Machine Collaboration nina Thomas H. Davenport at Steven M. Miller. Muling na-print nang may pahintulot mula sa The MIT Press. Copyright 2022.

DBS Bank: AI-Driven Transaction Surveillance

Mula nang maipasa ang Bank Secrecy Act, na kilala rin bilang Currency and Foreign Transactions Reporting Act, sa US noong 1970, ang mga bangko sa buong mundo ay pinanagot ng mga pamahalaan para sa pagpigil sa money laundering, kahina-hinalang daloy ng cross-border ng malalaking halaga ng pera, at iba pang uri ng krimen sa pananalapi. Ang DBS Bank, ang pinakamalaking bangko sa Singapore at sa Southeast Asia, ay matagal nang nakatuon sa anti-money laundering (AML) at pagtuklas at pag-iwas sa krimen sa pananalapi. Ayon sa isang executive ng DBS para sa pagsunod, “Gusto naming tiyakin na mayroon kaming mahigpit na internal na kontrol sa loob ng bangko upang ang mga may kasalanan, money launderers, at mga sanction evader ay hindi tumagos sa sistema ng pananalapi, alinman sa pamamagitan ng aming bangko, sa pamamagitan ng aming pambansang sistema , o internasyonal.”

Ang Mga Limitasyon ng Mga Sistemang Batay sa Panuntunan para sa Pagsubaybay sa Pagsubaybay

Tulad ng iba pang malalaking bangko, ang lugar ng DBS na tumutuon sa mga isyung ito, na tinatawag na "pagsubaybay sa transaksyon," ay sinamantala ang AI sa loob ng maraming taon upang gawin ang ganitong uri ng trabaho. Sinusuri ng mga tao sa function na ito ang mga alertong itinaas ng isang sistemang nakabatay sa panuntunan. Tinatasa ng mga panuntunan ang data ng transaksyon mula sa maraming iba't ibang system sa buong bangko, kabilang ang para sa mga consumer, pamamahala ng yaman, institutional banking, at kanilang mga pagbabayad. Ang mga transaksyong ito ay dumadaloy lahat sa sistemang nakabatay sa panuntunan para sa pag-screen, at ang mga panuntunan ay nagba-flag ng mga transaksyon na tumutugma sa mga kondisyong nauugnay sa isang indibidwal o entity na gumagawa ng mga kahina-hinalang transaksyon sa bangko—yaong kinasasangkutan ng isang potensyal na kaganapan sa money laundering, o isa pang uri ng pandaraya sa pananalapi. Ang mga sistemang nakabatay sa panuntunan—na dating kilala bilang "mga sistema ng eksperto" - ay isa sa mga pinakalumang anyo ng AI, ngunit malawak pa rin itong ginagamit sa pagbabangko at insurance, gayundin sa iba pang mga industriya.

Sa DBS at karamihan sa iba pang mga bangko sa buong mundo, ang ganitong uri ng mga sistema ng pagsubaybay sa transaksyon sa pananalapi na nakabatay sa panuntunan ay bumubuo ng malaking bilang ng mga alerto araw-araw. Ang pangunahing pagkukulang ng mga sistema ng pagsubaybay na nakabatay sa panuntunan ay ang karamihan — hanggang 98 porsiyento — ng mga alertong nabuo ay mga maling positibo. Ang ilang aspeto ng transaksyon ay nagti-trigger ng panuntunan na humahantong sa transaksyon na ma-flag sa listahan ng alerto. Gayunpaman, pagkatapos ng follow-up na imbestigasyon ng isang human analyst, lumalabas na hindi talaga kahina-hinala ang inalertong transaksyon.

Ang mga analyst ng pagsubaybay sa transaksyon ay kailangang mag-follow up sa bawat alerto, tinitingnan ang lahat ng nauugnay na impormasyon ng transaksyon. Dapat din nilang isaalang-alang ang mga profile ng mga indibidwal na kasangkot sa transaksyon, ang kanilang mga nakaraang pinansiyal na pag-uugali, anuman ang kanilang idineklara sa "kilalanin ang iyong kostumer" at mga dokumento ng angkop na pagsusumikap ng customer, at anumang bagay na maaaring malaman ng bangko tungkol sa kanila. Ang pagsubaybay sa mga alerto ay isang prosesong masinsinan sa oras.

Kung kinumpirma ng analyst na ang isang transaksyon ay makatuwirang kahina-hinala o na-verify bilang pandaraya, ang bangko ay may legal na obligasyon na mag-isyu ng Suspicious Activity Report (SAR) sa mga naaangkop na awtoridad. Isa itong desisyon na may mataas na stake, kaya mahalagang maitama ito ng analyst: kung mali, maaaring ma-notify ang mga customer ng bangko na sumusunod sa batas na iniimbestigahan sila para sa mga krimen sa pananalapi. Sa kabilang panig, kung ang isang "masamang aktor" ay hindi nakita at naiulat, maaari itong humantong sa mga problema na may kaugnayan sa money laundering at iba pang mga krimen sa pananalapi.

Sa ngayon, hindi bababa sa, ang mga sistemang nakabatay sa panuntunan ay hindi maaaring alisin dahil ang mga pambansang awtoridad sa regulasyon sa karamihan ng mga bansa ay nangangailangan pa rin ng mga ito. Ngunit napagtanto ng mga executive ng DBS na maraming karagdagang mapagkukunan ng panloob at panlabas na impormasyon na magagamit sa kanila na, kung ginamit nang tama, ay maaaring ilapat upang awtomatikong suriin ang bawat alerto mula sa sistemang nakabatay sa panuntunan. Magagawa ito gamit ang ML, na maaaring makitungo sa mas kumplikadong mga pattern at makagawa ng mas tumpak na mga hula kaysa sa mga sistemang nakabatay sa panuntunan.

Gamit ang Bagong Henerasyon ng Mga Kakayahang AI para Pahusayin ang Pagsubaybay

Ilang taon na ang nakalipas, sinimulan ng DBS ang isang proyekto para ilapat ang bagong henerasyon ng mga kakayahan ng AI/ML kasabay ng umiiral na sistema ng screening na nakabatay sa panuntunan. Ang kumbinasyon ay magbibigay-daan sa bangko na bigyang-priyoridad ang lahat ng mga alertong nabuo ng sistemang nakabatay sa panuntunan ayon sa isang numerong kinakalkula na marka ng posibilidad na nagpapahiwatig ng antas ng hinala. Ang sistema ng ML ay sinanay upang makilala ang mga kahina-hinala at mapanlinlang na sitwasyon mula sa kamakailan at makasaysayang data at mga resulta. Sa panahon ng aming mga panayam, ang bagong ML-based na sistema ng pagsasala ay ginagamit sa loob lamang ng mahigit isang taon. Sinusuri ng system ang lahat ng mga alertong nabuo ng system na nakabatay sa panuntunan, nagtatalaga ng marka ng panganib sa bawat alerto, at ikinakategorya ang bawat alerto sa mga kategoryang mas mataas, katamtaman, at mas mababang panganib. Ang ganitong uri ng "post-processing" ng mga alerto na nakabatay sa panuntunan ay nagbibigay-daan sa analyst na tukuyin kung alin ang uunahin kaagad (yaong nasa mas mataas at katamtamang panganib na mga kategorya) at kung alin ang maaaring maghintay (yaong mga nasa kategoryang pinakamababa ang panganib) . Ang isang mahalagang kakayahan ng ML system na ito ay ang pagkakaroon nito ng isang tagapagpaliwanag na nagpapakita sa analyst ng ebidensyang ginamit sa paggawa ng automated na pagtatasa ng posibilidad na ang transaksyon ay kahina-hinala. Ang paliwanag at guided navigation na ibinigay ng AI/ML model ay nakakatulong sa analyst na gumawa ng tamang desisyon sa panganib.

Nakabuo din ang DBS ng iba pang mga bagong kakayahan upang suportahan ang pagsisiyasat ng mga inalertong transaksyon, kabilang ang isang Network Link Analytics system para sa pagtukoy ng mga kahina-hinalang relasyon at transaksyon sa maraming partido. Ang mga transaksyon sa pananalapi ay maaaring katawanin bilang isang network graph na nagpapakita ng mga tao o mga account na kasangkot bilang mga node sa network at anumang mga pakikipag-ugnayan bilang mga link sa pagitan ng mga node. Ang network graph ng mga relasyon na ito ay maaaring gamitin upang tukuyin at higit pang masuri ang mga kahina-hinalang pattern ng mga pinansyal na pagpasok at paglabas.

Kasabay nito, pinalitan din ng DBS ang isang labor-intensive na diskarte sa daloy ng trabaho sa pagsisiyasat ng isang bagong platform na nag-o-automate para sa analyst ng halos lahat ng suporta para sa pagsisiyasat na nauugnay sa pagsubaybay at pamamahala ng kaso. Tinatawag na CRUISE, isinasama nito ang mga output ng engine na nakabatay sa panuntunan, ang modelo ng filter ng ML, at ang Network Link Analytics system.

Bukod pa rito, ang CRUISE system ay nagbibigay sa analyst ng madali at pinagsama-samang pag-access sa nauugnay na data mula sa buong bangko na kailangan para mag-follow up sa mga transaksyong iniimbestigahan ng analyst. Sa loob ng CRUISE environment na ito, kinukuha rin ng bangko ang lahat ng feedback na nauugnay sa trabaho ng analyst sa kaso, at ang feedback na ito ay nakakatulong upang higit pang mapabuti ang mga system at proseso ng DBS.

Epekto sa Analyst

Siyempre, ang mga pag-unlad na ito ay ginagawang mas mahusay ang mga analyst sa pagsusuri ng mga alerto. Ilang taon na ang nakalipas, karaniwan na para sa isang DBS transaction surveillance analyst na gumugol ng dalawa o higit pang oras sa pagtingin sa isang alerto. Kasama sa oras na ito ang oras ng paghahanda sa front-end para kumuha ng data mula sa maraming system at manu-manong mag-collate ng mga nauugnay na nakaraang transaksyon, at ang aktwal na oras ng pagsusuri upang suriin ang ebidensya, maghanap ng mga pattern, at gawin ang pangwakas na paghuhusga kung lumitaw ang alerto o hindi. upang maging isang bona fide na kahina-hinalang transaksyon.

Pagkatapos ng pagpapatupad ng maraming tool, kabilang ang CRUISE, Network Link Analytics, at ang modelo ng filter na nakabatay sa ML, naresolba ng mga analyst ang humigit-kumulang isang-ikatlo pang kaso sa parehong tagal ng panahon. Gayundin, para sa mga kaso na may mataas na peligro na natukoy gamit ang mga tool na ito, nahuhuli ng DBS ang mga "masamang aktor" nang mas mabilis kaysa dati. 

Sa pagkomento sa kung paano ito naiiba sa tradisyonal na mga diskarte sa pagsubaybay, ibinahagi ng pinuno ng DBS ng pagsubaybay sa transaksyon ang sumusunod:

Ngayon sa DBS, ang aming mga makina ay nakakakuha ng kinakailangang data ng suporta mula sa iba't ibang mga mapagkukunan sa buong bangko at ipakita ito sa screen ng aming analyst. Ngayon ay madaling makita ng analyst ang nauugnay na sumusuportang impormasyon para sa bawat alerto at gumawa ng tamang desisyon nang hindi naghahanap sa animnapung iba't ibang mga system upang makuha ang sumusuportang data. Ginagawa ito ngayon ng mga makina para sa analyst nang mas mabilis kaysa sa magagawa ng tao. Ginagawa nitong mas madali ang buhay ng mga analyst at mas matalas ang kanilang mga desisyon.

Noong nakaraan, dahil sa mga praktikal na limitasyon, ang mga analyst ng pagsubaybay sa transaksyon ay nakakolekta at nakagamit lamang ng maliit na bahagi ng data sa loob ng bangko na may kaugnayan sa pagsusuri sa alerto. Ngayon sa DBS, gamit ang aming mga bagong tool at proseso, ang analyst ay nakakagawa ng mga desisyon batay sa instant, awtomatikong pag-access sa halos lahat ng nauugnay na data sa loob ng bangko tungkol sa transaksyon. Nakikita nila ang data na ito, na maayos na nakaayos sa kanilang screen, na may marka ng panganib at sa tulong ng isang tagapagpaliwanag na gumagabay sa kanila sa pamamagitan ng ebidensya na humantong sa output ng modelo.

Namuhunan ang DBS sa isang set ng kasanayang "pag-angat" sa mga kawani na kasangkot sa paglikha at paggamit ng mga bagong sistema ng pagsubaybay na ito. Kabilang sa mga kawani na nakinabang mula sa upskilling ay ang mga transaction surveillance analyst, na may kadalubhasaan sa pag-detect ng mga krimen sa pananalapi at sinanay sa paggamit ng bagong platform ng teknolohiya at sa mga nauugnay na kasanayan sa data analytics. Ang mga koponan ay tumulong sa pagdidisenyo ng mga bagong system, simula sa front-end na gawain upang matukoy ang mga tipolohiya sa peligro. Nagbigay din sila ng mga input upang tukuyin ang data na pinakakapaki-pakinabang na gamitin, at kung saan maaaring maging kapaki-pakinabang sa kanila ang automated na data analytics at mga kakayahan sa ML.

Nang tanungin kung paano makakaapekto ang mga system sa mga analyst ng transaksyon ng tao sa hinaharap, sinabi ng DBS compliance executive:

Ang kahusayan ay palaging mahalaga, at dapat tayong palaging magsikap para sa mas mataas na antas nito. Gusto naming pangasiwaan ang mga aspetong nakabatay sa transaksyon ng aming kasalukuyan at hinaharap na workload sa pagsubaybay sa mas kaunting mga tao, at pagkatapos ay muling i-invest ang nabakanteng kapasidad sa mga bagong lugar ng pagsubaybay at pag-iwas sa panloloko. Palaging may hindi alam at bagong mga sukat ng masamang pag-uugali sa pananalapi at mga masasamang aktor, at kailangan nating maglaan ng mas maraming oras at mas maraming tao sa mga ganitong uri ng mga lugar. Sa abot ng aming makakaya, gagawin namin ito sa pamamagitan ng muling pag-invest sa mga natamo naming kahusayan sa loob ng aming mas karaniwang pagsusumikap sa pagsubaybay sa transaksyon.

Ang Susunod na Yugto ng Pagsubaybay sa Transaksyon

Ang pangkalahatang hangarin ng bangko ay para sa pagsubaybay sa transaksyon upang maging mas pinagsama-sama at mas maagap. Sa halip na umasa lamang sa mga alertong nabuo mula sa engine na nakabatay sa panuntunan, gusto ng mga executive na gumamit ng maraming antas ng pinagsama-samang pagsubaybay sa panganib upang subaybayan ang kabuuan mula sa "transaksyon sa account sa customer sa network hanggang sa macro" na mga antas. Ang kumbinasyong ito ay makakatulong sa bangko na makahanap ng mas maraming masasamang aktor, at gawin ito nang mas epektibo at mahusay. Ang compliance executive ay nagpaliwanag:

Mahalagang tandaan na ang mga money launderer at mga sanction evader ay palaging naghahanap ng mga bagong paraan ng paggawa ng mga bagay. Kailangan ng aming mga tao na magtrabaho kasama ang aming mga kakayahan sa teknolohiya at data analytics upang manatiling nangunguna sa mga umuusbong na banta na ito. Gusto naming palayain ang oras na ginugugol ng aming mga tao sa nakakapagod, manu-manong aspeto ng pagrepaso ng mga alerto, at gamitin ang oras na iyon para makasabay sa mga umuusbong na banta.

Patuloy na gagampanan ng mga human analyst ang mahalagang papel sa pagsubaybay sa transaksyon ng AML, kahit na ang paraan ng paggamit nila ng kanilang oras at ang kanilang kadalubhasaan ng tao ay patuloy na magbabago.

Ang compliance executive ay nagbahagi rin ng isang pananaw sa AI: “Ito ay talagang pinalawak na katalinuhan, sa halip na automated AI sa pagsubaybay sa panganib. Sa palagay namin ay hindi namin maaalis ang paghatol ng tao sa mga huling desisyon dahil palaging may suhetibong elemento sa mga pagsusuri sa kung ano at hindi kahina-hinala sa konteksto ng money laundering at iba pang mga krimen sa pananalapi. Hindi namin maalis ang subjective na elementong ito, ngunit maaari naming i-minimize ang manu-manong gawain na ginagawa ng human analyst bilang bahagi ng pagsusuri at pagsusuri sa mga alerto.

Mga Aral na Natutunan Namin sa Kaso na Ito

• Ang isang automated system na bumubuo ng malaking bilang ng mga alerto na karamihan sa mga ito ay nagiging maling positibo ay hindi nakakatipid sa paggawa ng tao.

• Maraming uri ng teknolohiya ng AI (sa kasong ito, ang mga panuntunan, ML, at Network Link Analytics) ay maaaring pagsamahin upang mapabuti ang mga kakayahan ng system.

• Maaaring hindi bawasan ng mga kumpanya ang bilang ng mga taong gumagawa ng trabaho kahit na ang AI system ay lubos na nagpapabuti sa kahusayan ng paggawa nito. Sa halip, magagamit ng mga empleyado ang nabakanteng oras para magtrabaho sa bago at mas mataas na halaga na mga gawain sa kanilang mga trabaho.

• Dahil palaging may mga subjective na elemento sa pagsusuri ng mga kumplikadong transaksyon sa negosyo, maaaring hindi maalis ang paghatol ng tao sa proseso ng pagsusuri.