Dlaczego systemy AML potrzebują sztucznej inteligencji?

Bezpieczny Bank

Jeszcze do niedawna zmagania pomiędzy przestępcami wprowadzającymi do obrotu środki pochodzące z działalności kryminalnej a sektorem finansowym przypominały klasyczny wyścig zbrojeń. Dziś by skutecznie powstrzymać proceder prania pieniędzy nie wystarczy nadążać za pomysłowością sprawców i łatać kolejne luki w systemie. Konieczne jest podejście o charakterze kompleksowym, a od strony technologicznej wykorzystanie takich rozwiązań jak sztuczna inteligencja i uczenie maszynowe.

Sztuczna inteligencja
Fot. Pixabay.com

Jeszcze do niedawna zmagania pomiędzy przestępcami wprowadzającymi do obrotu środki pochodzące z działalności kryminalnej a sektorem finansowym przypominały klasyczny wyścig zbrojeń. Dziś by skutecznie powstrzymać proceder prania pieniędzy nie wystarczy nadążać za pomysłowością sprawców i łatać kolejne luki w systemie. Konieczne jest podejście o charakterze kompleksowym, a od strony technologicznej wykorzystanie takich rozwiązań jak sztuczna inteligencja i uczenie maszynowe.

#KarolMórawski: Eksperci #SAS od pewnego czasu obserwują na rynku amerykańskim wzmożone zainteresowanie rozwiązaniami #AML wykorzystującymi #AI

Od 2 do nawet 5 procent światowego PKB przypada na zyski z działalności przestępczej – alarmuje Organizacja Narodów Zjednoczonych. Doskonale zorganizowane gangi o zasięgu globalnym doskonale odnajdują się w cyfrowej rzeczywistości, którą wykorzystują zarówno w celu pozyskiwania środków jak również ich legalizacji.

Dyrektywy przeciw praniu pieniędzy

O skali problemu najlepiej świadczy aktywność legislacyjna Parlamentu Europejskiego, który na przestrzeni ostatnich pięciu lat trzykrotnie uchwalał nowe dyrektywy odnoszące się do przeciwdziałania praniu pieniędzy i finansowania terroryzmu. Proceder ten stanowi szczególne wyzwanie dla banków, które wskutek aktywności przestępczej narażone są na trojakie ryzyko.Na pierwszy plan bez wątpienia wysuwają się potężne sankcje, nakładane przez organy nadzorcze za niedopełnienie obowiązków związanych z przeciwdziałaniem praniu pieniędzy - Tylko w roku 2018 bank Societe Generale zapłacił rekordową kwotę 1,3 mld dolarów na rzecz amerykańskiego Banku Rezerwy Federalnej, między innymi za naruszenie sankcji gospodarczych wobec Kuby – przypomnieli eksperci SAS, Camilo Carvalho i Marcin Nadolny, w prezentacji podczas zorganizowanej przez Związek Banków Polskich konferencji „Od IV do V Dyrektywy AML”.

Kary i ryzyko reputacyjne

Nie jest to wcale odosobniony przypadek tak wysokiej kary za nieumyślne, w zdecydowanej większości, uchybienia. Niebagatelne znaczenie ma ryzyko reputacyjne.Instytucja finansowa, której system zostanie wykorzystany do legalizacji środków pochodzących z czynów karalnych, w opinii społecznej nie jest postrzegana jako ofiara, lecz raczej jako wspólnik przestępców lub w najlepszym razie podmiot niekompetentny, który nie potrafił w należyty sposób zabezpieczyć swej infrastruktury.Nie należy wreszcie zapominać o zagrożeniu bezpośrednim. Wraz z rozwojem cyberprzestępczości, coraz większy udział w przychodach sprawców mają fraudy i wyłudzenia, popełniane na szkodę instytucji finansowych oraz ich klientów.Szacuje się, że już pięć lat temu zyski gangów z tego tytułu znacząco przewyższały przychody globalnego narkobiznesu. Każda udana próba wprowadzenia do obiegu brudnych pieniędzy oznaczać może zarazem wymierną stratę finansową systemu bankowego jak i stwarzanie możliwości kontynuowania procederu.

Konieczne zmiany

W minionej dekadzie kluczem do sukcesu w obszarze AML była drobiazgowa analiza wszelkich przepływów pieniężnych realizowanych za pośrednictwem banku i odpowiednie oznaczanie transakcji budzących podejrzenia. Dziś model ten ulec musi gruntownym korektom, gdyż sytuacja zmieniła się diametralnie i to w kilku obszarach.Liczba klientów instytucji finansowych zwiększyła się skokowo, i nie mówimy tu wyłącznie o krajach wysoce rozwiniętych. Wręcz przeciwnie, poziom wykluczenia finansowego i cyfrowego w Afryce, jak i w takich państwach jak Chiny czy Indie obniża się w ostatnim czasie w rekordowym tempie, a spory udział w tym procesie mają zarówno klasyczne banki, jak również podmioty z branży fintech, telekomy czy administracja publiczna.Coraz liczniejsze rzesze posiadaczy kont bankowych czy kart kredytowych korzystają w pełnej rozciągłości z możliwości, jakie daje globalizacja. Zamówienie świątecznych prezentów zza oceanu za pośrednictwem Alibaby bądź Amazona jest dziś takim samym standardem, jak jeszcze dziesięć czy piętnaście lat temu odwiedziny w galeriach handlowych.Także w stacjonarnym handlu płatności bezgotówkowe stają się coraz popularniejsze, a w niektórych krajach zauważalna jest wręcz dyskryminacja tradycyjnej formy zapłaty.

Wszystkie te tendencje przekładają się na lawinowy przyrost operacji bankowych, któremu towarzyszy coraz większe zróżnicowanie wykonywanych transakcji, obsługiwanych przez rosnące grono pośredników.

Niebezpieczna anonimowość w sieci

Szczególnym wyzwaniem z punktu widzenia AML są technologie, pozwalające na zachowanie pełnej anonimowości w sieci, również podczas dokonywania operacji gospodarczych.Mowa tu zarówno o anonimowych instrumentach płatniczych, w rodzaju kart przedpłaconych, jak też przede wszystkim o bijącym kolejne rekordy popularności obrocie kryptowalutami.Obecne systemy AML nie są już w stanie skutecznie identyfikować złożonych przypadków prania pieniędzy, a specjaliści analizować tysięcy fałszywych alarmów przez nie generowanych. Rozwiązaniem dla sektora finansowego, podobnie jak i innych instytucji obowiązanych na podstawie przepisów o przeciwdziałaniu praniu pieniędzy, jest wykorzystanie zaawansowanej analityki, sztucznej inteligencji i uczenia maszynowego.- Największą korzyścią płynącą z zastosowania zaawansowanej analityki i metod sztucznej inteligencji jest bardziej precyzyjna identyfikacja podejrzanych przypadków i znaczna redukcja poziomu fałszywych alarmów. W zależności od tego czy mówimy o analizie klienta (Customer Due Dilligence), monitorowaniu transakcji, czy identyfikacji sankcji zastosowanie mogą mieć różne techniki analityczne – od modeli predykcyjnych wykorzystujących techniki uczenia maszynowego, poprzez analitykę sieci powiązań, aż do analiz text mining i przetwarzania języka naturalnego (NLP) – wskazuje Marcin Nadolny, Dyrektor Praktyki Fraud & Compliance w SAS, odpowiedzialny za region EMEA South.

AI ma pole do popisu

Postępująca cyfryzacja świata operacji finansowych daje tym większe pole do zastosowania zaawansowanych technologii. Eksperci SAS od pewnego czasu obserwują na rynku amerykańskim wzmożone zainteresowanie rozwiązaniami AML wykorzystującymi sztuczną inteligencję.

Ma to związek ze stanowiskiem tamtejszych regulatorów, którzy zachęcają instytucje finansowe do stosowania innowacyjnych podejść (w tym takich jak algorytmy sztucznej inteligencji) w przeciwdziałaniu praniu pieniędzy i zwalczaniu finansowania terroryzmu.Na tym tle Stary Kontynent wciąż pozostaje w tyle. Chociaż w Europie są banki, które rozwijają swoje systemy AML w oparciu o nowoczesne metody, w tym uczenie maszynowe, w dalszym ciągu dominującym kierunkiem jest tradycyjna segmentacja klientów oraz monitorowanie alertów będących rezultatem setek zaimplementowanych scenariuszy.Dziś nie ma najmniejszych wątpliwości, iż to droga donikąd. Bez istotnej transformacji w tym obszarze realizacja obowiązków z zakresu AML prędzej czy później natrafi na poważne przeszkody, wobec których klasyczne rozwiązania będą całkowicie bezradne.
Źródło: aleBank.pl
Udostpnij artyku: