Lehet-e küzdeni mesterséges intelligenciával az offshore és a pénzmosás ellen? 2.

A mesterséges intelligencia (MI) ma már nem utópia, hanem valóság. Szinte már nincs is olyan terület, ahol ne használnák, a pénzügyi világ sem kivétel. A pénzügyi szolgáltatások területére egyébként is jellemző a folyamatos innováció és digitalizáció. A szektor a legújabb technológiákat segítségül hívva igyekszik az ügyfélkörét erősíteni, bővíteni és új bevételi lehetőségeket felkutatni. Mára szinte minden pénzügyi terület nyitott az újdonságokra, legyen szó a tőkepiacról, a kereskedelmi bankról, a fogyasztói finanszírozásról vagy biztosításról.

Cikkünk első részében feltártuk, milyen területeken alkalmazza a pénzvilág a mesterséges intelligenciát. Láthattuk, hogy az új technológia különösen sikeres a komoly károkat okozó pénzmosás feltárásának és visszaszorításának területén. Most lássuk, hogyan is történik mindez!

A pénzmosás elleni küzdelem (AML) hagyományos módszertana szerint a gyanús tranzakciók felderítésére a nyomozócsoportok általában szabályalapú rendszereket használnak (FICO, Fiserv, SAS, AML Actimize). Ez a szabályalapú munkafolyamat a következő három lépésből áll: riasztás, a beérkezett információk vizsgálata, a beérkezett információk értékelése (valódi pozitív vagy hamis pozitív). Ezt időnként kiegészíti egy további riasztás, akkor, ha offshore helyszínről érkezik az utalás.

A hamis pozitív értéket adatszolgáltatási hibaként definiálhatjuk. Ebben az estben a teszt eredménye helytelenül jelzi egy olyan állapot meglétét, amelynek a valóságban nem áll fenn. A szabályalapú rendszerek legfőbb problémája az, hogy hogy nagyszámú hamis pozitív eredményt adnak: az esetek 75-99 százalékában ez a helyzet. Ez azt jelenti, hogy rengeteg időt és emberi erőforrást el kell pazarolni e hamis riasztások kivizsgálására. Ez a magas arány azért fordul elő, mert a szabályok gyorsan elavulhatnak, és a rendszerek újrakódolása időbe telik.

Bár a tőkepiacokon és a lakossági banki szolgáltatásoknál alkalmazott AML rendszerek figyelembe veszik a monetáris küszöbértékeket és a pénzmosási mintákat, a pénzmosásban érintett csalók idővel kiismerik ezeket és alkalmazkodhatnak ezekhez a szabályokhoz, és módosítják a módszereiket, csökkentve a lebukás kockázatát. Az MI-alapú viselkedésmodellezés és az ügyfelek szegmentálása éppen ezen a területen nyújthatja a leghatékonyabb támogatást, hiszen segíthet azonosítani azokat a viselkedési mintákat és a külső tényezőket, amelyek jelzik a potenciális pénzmosást.

A MI igen hatásos komplex tranzakciók sorozatának vizsgálatára és rendellenességek megállapítására is. A pénzmosás elleni gépi tanulási technikák segítségével fel lehet ismerni a gyanús tranzakciókat, valamint a szabálytalan tranzakciós hálózatokat. Ezeket az ügyleteket megvizsgálják és magas, közepes vagy alacsony prioritásúként osztályozzák, ezzel is segítve a szakemberek munkáját. Ha csalók módosítják viselkedésüket, a MI leköveti azt, így a hamis pozitívok száma alacsony, a valódi pozitív pedig magas marad.

Az MI ún. indokkódokat is megadhat a tranzakciók megjelölésére vonatkozó döntéshez. Ezek az okkódok megmutatják meg a szakembereknek, hogy merre érdemes elindulni az ügy feltárása érdekében, így téve a felderítési folyamatot hatékonyabbá.

Egyértelmű tehát, hogy a MI-alapú AML rendszerek számos előnyt kínálnak a meglévő szabályalapú rendszerekkel szemben. A hamis pozitív eredmények drasztikus csökkenése mellett a MI technológiát stratégiailag el lehet helyezni az AML szabályalapú rendszer és a szakember között, ami lehetővé teszi a vállalatok számára a beruházások gyors megtérülését. A MI használatával az eddigi átlagos 45 és 90 napos vizsgálati idő másodpercekre csökkenhet.