پژوهشکده فرهنگ فناوری و هوش مصنوعی

استفاده از هوش مصنوعی برای مبارزه با کلاهبرداری و پولشویی

موسسات مالی می دانند که باید سریع پاسخ دهند و برای این کار در تیم های علوم داده سرمایه گذاری کرده اند. توانایی های این دانشمندان داده ها برای درک مسائلی که با آنها روبرو هستند و مدلهایی را ایجاد می کنند که بتوانند به طور مؤثر کار کنند ، مسئله ای که با آن روبرو هستند ، داشتن فناوری مورد نیاز برای استقرار آنها است.

در گذشته متخصصان AML نگران این موضوع بودند که استفاده از هوش مصنوعی و یادگیری ماشین برای تشخیص پولشویی الزامات نظارتی را برآورده نمی کند. اخیراً ، تنظیم کننده هایی از جمله اداره رفتار مالی در انگلستان ، واحد مبارزه با پولشویی وزارت خزانه داری ایالات متحده و تنظیم کننده های بانکی فدرال اعلام کرده اند که آنها استفاده از هوش مصنوعی و یادگیری ماشین را می پذیرند اما آنها چنین رویکردهای نوآورانه را ترغیب می کنند.

مدل های هوش مصنوعی در تصمیم گیری سریعتر و دقیق تر به عنوان ابزار مهمی عمل می کنند .

هوش مصنوعی و یادگیری ماشینی تقریباً سه دهه است که توسط متخصصان مدیریت کلاهبرداری استفاده شده است و هم اکنون توسط همکارانشان در حال کار برای جلوگیری از پولشویی هستند. این امر آن را به اخبار قدیمی تبدیل نمی کند. 

 امروزه موسسات مالی از AI برای مناطقی مانند خدمات به مشتری ، مدیریت ریسک ، کشف تقلب و پولشویی ، ضمن رعایت انطباق مقررات ، استفاده می کنند.

به نظر می رسد که فناوری هوش مصنوعی قابل اعتماد است ، به ویژه هنگامی که می توان از پولشویی پرده برداشت ، و به داشتن خدمات مالی پیشرو برای مقابله با این مسائل به روشی فزاینده و مؤثر ، قدرت می بخشد.

پولشویی به عنوان "پنهان کردن منشأ پولهای غیرقانونی به دست آمده ، معمولاً از طریق نقل و انتقالات مربوط به بانکهای خارجی یا مشاغل قانونی" تعریف شده است. 

پولشویی یک تهدید جدی برای بخش خدمات مالی است. هر سال 2 تریلیون دلار از طریق سیستم بانکی پاک می شود. جریمه بانکی که مانع جلوگیری از پولشویی نمی شود در یک دهه گذشته 500 برابر افزایش یافته است و اکنون بیش از 10 میلیارد دلار در سال ارزش دارد. در نتیجه ، بانک ها تیم های بزرگی ساخته اند و وظیفه وقت گیر را برای شناسایی و بررسی هرگونه معاملات مشکوک به آنها اختصاص داده اند ، که اغلب به شکل چندین انتقال کوچک در یک شبکه پیچیده از بازیکنان صورت می گیرد.

رویکردهای سنتی برای مقابله با پولشویی

به طور معمول ، تیم های تحقیق از سیستم های مبتنی بر قانون مانند FICO ، Fiserv ، SAS AML یا Actimize برای شناسایی هرگونه معاملات مشکوک استفاده می کنند. این گردش کار مبتنی بر قانون شامل سه مرحله زیر است: اولا ، هشدار توسط سیستم هشدار ایجاد می شود. دوم اینکه ، بازپرس با استفاده از اطلاعاتی از منابع مختلف ، آن را بررسی می کند و سرانجام ، هشدار به عنوان True Positive تأیید می شود یا به عنوان False Positive طبقه بندی می شود. مثبت کاذب می تواند به عنوان یک خطا در گزارش داده ها تعریف شود ، که در آن نتیجه آزمون به طور نادرست نشان دهنده وجود شرایطی است که در واقعیت وجود ندارد.

با این حال ، مشکل سیستم های مبتنی بر قانون این است که آنها تعداد زیادی از مثبت های کاذب را ایجاد می کنند ، معمولاً در محدوده 75 تا 99 درصد. این بدان معنی است که زمان زیادی و تلاش دستی برای تحقیق در مورد این هشدارهای دروغین تلف می شود. تعداد زیاد به این دلیل اتفاق می افتد که قوانین می توانند به سرعت منسوخ شوند و برای رمزگذاری مجدد سیستم زمان لازم است.

برنامه های ضد پولشویی (AML) که در بازارهای سرمایه و بانکداری خرد استفاده می شود ، بطور گسترده سیستم های نظارت بر معاملات را مبتنی بر قانون ، مناطق مختلف در آستانه های پولی و الگوهای پولشویی مستقر می کند. با این حال ، بازیگران بد می توانند با گذشت زمان با این قوانین سازگار شوند و روش های خود را بر این اساس ترجیح دهند تا از تشخیص جلوگیری کنند. اینجاست که الگوسازی رفتاری مبتنی بر هوش مصنوعی و تقسیم مشتری می تواند در کشف رفتارهای معامله و شناسایی الگوهای رفتاری و محیط های بیرونی مؤثر باشد ، این نشانگر هرگونه شستشوی بالقوه است.

هوش مصنوعی ، به ویژه مدل سازی سری زمانی ، به ویژه در بررسی یک سری معاملات پیچیده و یافتن ناهنجاری ها مؤثر است. پولشویی ضد پول با استفاده از تکنیک های یادگیری ماشین قادر به شناسایی معاملات مشکوک و همچنین شبکه های نامنظم معاملات است. این معاملات برای تحقیقات علامت گذاری شده اند و می توانند به عنوان اولویت بالا ، متوسط ​​یا پایین رتبه بندی شوند ، به طوری که بازپرس بتواند تلاش های خود را در اولویت قرار دهد. همانطور که بازیگران رفتار خود را تغییر می دهند ، هوش مصنوعی که زیر برنامه ها را نیز تغییر می دهد ، بدین معنی است که تعداد مثبت های کاذب در عین حفظ تعداد زیادی از مثبت های مثبت کم باقی می ماند.

AI همچنین می تواند کدهای دلیل را برای تصمیم گیری در موردعلامت گذاری معاملات ارائه دهد. این کدهای دلایل به بازپرس می گوید که در چه مواردی باید به جستجوی مواردی بپردازد و به ساده سازی روند تحقیقات کمک کند. هوش مصنوعی همچنین قادر است در طول بررسی از محققان بیاموزد ، هرگونه معامله مشکوک را پاک کند و به طور خودکار درک و توانایی مدل AI را در جلوگیری از الگوهایی که منجر به پولشویی نمی شوند تقویت کند.

سیستم های AML با هوش مصنوعی مزایای بسیاری نسبت به یک سیستم مبتنی بر قانون موجود دارند. این شامل توانایی کاهش چشمگیر نادرست ، ارائه مجموعه ای از هشدارها به بازپرس و امکان استفاده از IP خاص دامنه است که برای پولشویی اختصاص داده شده است. فناوری هوش مصنوعی را می توان از لحاظ استراتژیک بین سیستم مبتنی بر قانون AML و بازپرس قرار داد ، که به شرکت ها اجازه می دهد بازگرداندن سریع سرمایه گذاری را بدست آورند. به طور کلی ، میانگین زمان تحقیق به طور چشمگیری از 45 تا 90 روز ، به چند ثانیه کاهش می یابد. همچنین هرگونه عدم دقت در انسان و ساعات مورد نیاز برای هر شخص را بسیار کاهش می دهد و می تواند شکاف های قانون را با ویژگی های ابتکاری متناسب کند.

آدرس پولشویی و بهره‌وری درایو

با استفاده موثر ، هوش مصنوعی (AI) می تواند یک عامل مهم برای موفقیت در صنعت خدمات مالی باشد. این شرکتها را قادر می سازد تا خدمات مالی را بسازند نه تنها تجربه های بانکی شخصی ، مدل های کلاهبرداری و پولشویی را بطور مؤثر بسازند بلکه باعث بهبود بهره وری کارمندان و تجارت می شوند. اکنون شبکه های پولشویی پیچیده تر می شوند ، اکنون زمان آن رسیده است که شهودهای مترقی مالی شروع به بکار گرفتن هوش مصنوعی کنند تا بتوانند به طور مؤثر در مبارزه با پولشویی مبارزه کنند ، و حتی به طور مؤثرتر بر روی بهره‌وری کلی متمرکز شوند.