Как нейросети борются с отмыванием денег
Ежегодно в мире отмывают от $800 млрд до 2 трлн. Только США тратят на войну с этим мошенничеством (Anti-Money Laundering, AML) около $7 млрд в год. До недавнего времени с отмыванием боролись вручную, через проверку каждой транзакции. Потом появились стартапы с собственными инновационными системами распознавания мошеннических операций. Сейчас самое перспективное направление в AML - машинное обучение и анализ больших данных. Рассмотрим подходы, которые при этом используются и какие результаты они приносят.
Know Your Customer
Многие банки и стартапы внедряют системы, основанные на подходе Know Your Customer (KYC). Его суть - в подробном анализе поведения каждого клиента, то есть модели полагаются не на исторические данные по всем транзакциям, а на действия конкретного клиента в отрыве от остальных, определяя его типичные черты и действия. Если клиент совершает транзакцию, не вписывающуюся в паттерн его поведения, система подаёт сигнал о необходимости проверки. Таким образом решается задача кластеризации, разделения всех транзакций клиента на обычные и подозрительные.
Преимущество этого подхода - модели перестают сильно зависеть от обучаемых данных, которые могут содержать ненужную информацию, совершенно не относиться к рассматриваемому клиенту либо их попросту может быть недостаточно.
Пример компании с таким методом - американская Brighterion. Она предлагает системы для борьбы с мошенничеством в банковской среде, запоминающие типичные поведенческие и покупательские паттерны клиентов и реагирующие на аномалии. Например, система iPrevent специализируется на аналитике использования счетов и банковских карт, а iComply - на борьбе с международными схемами отмывания денег.
Клиенты Brighterion - крупнейшие банки Германии, Бразилии и Канады. По словам операционного директора компании Томаса Рэнд-Нэша, им удалось снизить потери от мошеннических операций на 75-95%. В июле с Brighterion заключила долгосрочное соглашение Mastercard. Она хочет интегрировать искусственный интеллект в свои бизнес-процессы как в рамках борьбы с нелегальными транзакциями и отмыванием денег, так и для улучшения понимания пользовательских потребностей.
Анализ агрегированных данных
Второй подход - выявление подозрительных транзакций через анализ всех имеющихся в наличии компании данных. Преимущество данного подхода и одновременно недостаток предыдущего - более высокое качество и точность модели, поскольку она изучает огромное количество разной информации. Недостаток: машины пока регулярно напарываются на false positives - транзакции, которые не являются частью криминальной схемы, но с точки зрения алгоритма выглядящие именно так. Поэтому сегодня AML всё ещё не может обойтись без человеческого участия. Специалисты проверяют все операции, которые алгоритм счёл мошенническими, и при необходимости исправляют ошибки.
Теперь к успешным примерам использования этого подхода. Индийский банк HDFC с помощью SAS Institute внедрил систему, выявляющую мошеннические операции: постоянные перемещения денег и отмены операций, перераспределение средств на множество мелких счетов, создание счетов-однодневок и так далее. Схожую платформу разработал американский стартап Merlon Intelligence. Система анализирует не только количественную, но и текстовую информацию (документы, отчёты, данные о клиентах и их действия), используя алгоритмы NLP (Natural Language Processing), и выявляет подозрительные транзакции, которые затем проверяют специалисты. Модель полгода успешно работала в тестовом режиме в одном из крупных американских банков, который в конечном итоге подписал со стартапом контракт на семизначную сумму.
Анализ социальных графов
В последнее время широкое применение получил анализ социальных сетей. Все счета можно представить как социальную сеть, в которой транзакция равна личному сообщению. Задача алгоритма - выявить, в каком из узлов сети деньги подозрительным образом утекают.
Пример подобной платформы - Palantir, система анализа данных от одноимённого американского стартапа, которую уже используют в финансовых институтах и правоохранительных органах для выявления источника утечки информации, помощи в антитеррористических миссиях и, конечно, борьбы с отмыванием. В качестве входных данных система может принимать большинство видов неструктурированной информации: сетевой трафик, данные соцсетей и геоданные. Palantir уже сорвал разведывательные операции китайских хакеров GhostNet и Shadow Network, а клиентами компании стали Bank of America, Агентство национальной безопасности США, ФБР и ЦРУ.
Автоматизация рутинных процессов AML
Помимо успешного распознавания схем по отмыванию денег, современные алгоритмы машинного обучения способны автоматизировать и некоторые рутинные этапы процесса AML - создание и подготовку отчётов, рассылку уведомлений, отсечение заведомо правильных счетов и транзакций из исследуемой выборки. В результате уменьшается трудоёмкость, снижаются операционные затраты и растёт эффективность.
Такую систему - SAS AML - в прошлом году внедрили в банке «Тинькофф». Она автоматизирует противодействие отмыванию денег и проводит быстрые регламентированные проверки на консолидированных данных. За счёт автоматизации AML процессов банк перераспределил ресурсы с обязательного контроля на непосредственное расследование криминальных схем. Платформа повысила обнаружение подозрительных операций на 95% и снизила количество false positives на 50%.
www.msn.com