Raport Specjalny | Forum Bezpieczeństwa Banków – Comarch SA | AML: (cyber)walka w słusznej sprawie

BANK 2021/05

Sztuczna inteligencja (AI) i uczenie maszynowe (ML) zyskują na znaczeniu jako środki ograniczania przestępczości finansowej.

sztuczna inteligencja, fantom
Fot. stock.adobe.com / phonlamaiphoto

Sztuczna inteligencja (AI) i uczenie maszynowe (ML) zyskują na znaczeniu jako środki ograniczania przestępczości finansowej.

Aleksandra Jarosińska
Business Development Manager w Comarch Finance

Czy zastanawiało cię kiedyś, ile transakcji bankowych wykonuje się każdego dnia? Przyjmuje się, że do 5 mld w skali świata. Każda z tych transakcji może potencjalnie stanowić próbę prania pieniędzy i żadna ludzka armia, nieważne w jakiej sile, takiej liczby transakcji nie skontroluje – co innego armia maszyn. Szczególnie tych inteligentnych.

Obecność nowych technologii w walce z przestępczością finansową jest dla większości instytucji finansowych dość powszechna. Natomiast wykorzystywane dotychczas algorytmy, dość proste w swojej formie i uzależnione od danych historycznych, często zamiast ułatwiać i ograniczać pracę analityków, wprowadzają dodatkowy chaos w postaci „fałszywie pozytywnych alarmów”. Jako takie określa się sytuacje, w których system oznacza zwykłą transakcję jako próbę prania pieniędzy. W konsekwencji musi wkroczyć człowiek i stwierdzić, czy konieczne jest podjęcie dalszych działań. Niektóre źródła wskazują, że fałszywie pozytywne alarmy stanowią aż 95% wszystkich alertów, co sprawia, że ich analiza jest jednym z największych wyzwań w codziennej pracy działów AML.

Wydaje się, że toczą one przy tym walkę, której nie sposób wygrać. Każdego roku suma pieniędzy pranych na świecie oscyluje w granicach 2–5% światowego PKB, czyli 2 bln USD. Przechwytywany jest jedynie 1% tych środków. Dla porównania, wyższe PKB mają tylko USA (24,4%), Chiny (16,3%), Japonia (5,8%) i Niemcy (4,4%).

Maszyny na ratunek

Sztuczna inteligencja (AI) i uczenie maszynowe (ML) mogą w tym przypadku znacząco zmniejszyć nakład pracy poprzez pomijanie nieistotnych alarmów. Wykorzystanie mechanizmów scoringowych określających prawdopodobieństwo prania pieniędzy przy każdej konkretnej transakcji pozwala analitykom skupić się na przypadkach budzących największe wątpliwości.

Badania Comarch pokazują, że 80% transakcji określonych przez AI jako najbardziej podejrzane mieści się w zakresie 20% spraw o najwyższym poziomie ryzyka. Obecnie technologia idzie jeszcze dalej, dostarczając wyjaśnialne modele sztucznej inteligencji (XAI). Oznacza to, że AI jest w stanie nie tylko wskazać, co zalicza się do przestępstw finansowych, ale również przedstawić uzasadnienie, dlaczego tak zdecydowała.

Takie podejście, oprócz zmniejszenia nakładu pracy, wzmacnia również zgodność banków z krajowymi i międzynarodowymi środkami zapobiegawczymi. Dane zebrane przez XAI mogą posłużyć jako dowód w ewentualnych konfrontacjach z regulatorami lub podejrzanymi podmiotami. Co jeszcze bardziej przekonujące, mogą również wpłynąć na uszczelnienie systemu i to, czy przestępcy finansowi będą ścigani, czy nie.

Znaj klienta swego

Kolejnym istotnym elementem stabilnego procesu AML jest aktualizowany na bieżąco system wywiadowczy, który pozwala na śledzenie informacji o klientach – KYC (Know Your Customer). KYC to żmudny i kosztowny proces wyszukiwania informacji o klientach. W 2020 r. kosztował on instytucje finansowe na świecie 1,2 mld USD. Do tej pory banki wypełniały swoje obowiązki w tym zakresie, zatrudniając rzesze analityków – a i tak ich skuteczność pozostawiała wiele do życzenia.

Na szczęście i w tej dziedzinie technologia poczyniła ogromne postępy, wprowadzając zrobotyzowaną automatyzację procesów (RPA). Mechanizmy RPA pobierają dane z różnych źródeł – zarówno zewnętrznych, jak i wewnętrznych – i błyskawicznie przekształcają je w przyjazne dla użytkownika raporty gotowe do dalszej analizy zgodnie z wymogami regulacyjnymi KYC i AML. Oznacza to, że dane o klientach są aktualne, uporządkowane i – co stanowi największą różnicę – gromadzone automatycznie. RPA pozwala bankom zapanować nad chaosem KYC, który był nieunikniony ze względu na całkowitą zależność tego procesu od ludzi i ich umiejętności analitycznych.

Szeroki obraz

Wykorzystanie sztucznej inteligencji i uczenia maszynowego to przełom dla banków, które wciąż ponoszą odpowiedzialność za pranie pieniędzy. W 2020 r. na instytucje finansowe zostały nałożone kary w wysokości 10,4 mld USD w związku z nieprawidłowościami co do procedur przeciwdziałania praniu pieniędzy (AML), Know Your Customer (KYC), ochrony prywatności danych i MiFID (Markets in Financial Instruments Directive), co stanowi wzrost o 141% od 2019 r. Automatyzacja procesów może zdecydowanie odwrócić ten trend i zmienić środowisko AML nie do poznania.

Proces prania pieniędzy jest złożony, podobnie jak śledzenie go. Często obejmuje on poziomy globalne, krajowe i instytucjonalne. W przeciwieństwie do poprzednich lat, kiedy wytyczne były raczej lakoniczne i wymagały od instytucji finansowych podjęcia „wszelkich możliwych środków”, aby udaremnić pranie pieniędzy, obecnie możemy zaobserwować zmianę retoryki i bardziej szczegółowe zapisy dotyczące konieczności wykorzystania nowych technologii, w tym konkretnie AI i ML.

Wykorzystanie AI pozwala instytucjom finansowym spojrzeć na swoją pracę z odpowiedniej perspektywy. Pozwala im dostrzec, że nie tylko robią wszystko, aby pozostać w zgodzie z przepisami, ale przede wszystkim walczą z przestępczością zorganizowaną. A to ma ogromny wpływ zarówno na globalną gospodarkę, jak i na społeczeństwo, co nieczęsto widać wyraźnie zza ekranu komputera.

Udostępnij artykuł: