Мнение эксперта

Должны ли банки использовать искусственный интеллект в борьбе с отмыванием денег?

Время прочтения: 7 мин.

Отмывание денег – это общепринятый термин, который используется для описания процесса, с помощью которого преступники скрывают происхождение доходов, полученных преступным путем, создавая впечатление, что такие доходы получены из законных источников. Возникновением этого термина мы обязаны знаменитому американскому гангстеру Альфонсе Габриелю Капоне. В годы «великой депрессии» и «сухого закона» в США Аль Капоне создал преступную империю, занимавшуюся контрабандой алкоголя в США. В лучшие времена он получал до $60 млн ежегодно. Чтобы не привлекать к себе внимание из-за гигантских трат Аль Капоне создал сеть прачечных в США с очень низкими ценами. Учесть число клиентов было невозможно, поэтому доходы от прачечных можно было декларировать произвольно. Отсюда и пошло выражение – «отмывать деньги».

Современное положение дел в сфере противодействия отмыванию денег.

Наиболее серьезной проблемой для противодействия отмыванию доходов и финансированию терроризма (ПОД/ФТ) является стоимость борьбы с финансовыми преступлениями. Только в США затраты на соблюдение требований по борьбе с отмыванием денег оцениваются в $23,5 млрд в год. Европейские банки приближаются к сумме $ 20 млрд, которые тратятся на эти цели ежегодно.

Еще более шокирующим является то, что несмотря на высокий уровень расходов, это не будет работать. За последнее десятилетие 90% европейских банков были оштрафованы за преступления, связанные с ПОД/ФТ. Поэтому вопрос о затратах на ПОД/ФТ часто усугубляется низкой эффективностью процесса расследования, что приводит к низкой отдаче от затраченных усилий по сравнению с воздействием механизмов контроля за операциями.

Что же входит в стоимость борьбы с финансовыми преступлениями? В настоящее время банки должны собирать и анализировать очень значительные объемы данных для проведения надлежащей проверки клиентов и мониторинга транзакций. Эти усилия часто потребляют большое количество кадровых ресурсов и часто вызывают много «ложных положительных» предупреждений, отнимающих много времени и сил.

В современных процессах обеспечения ПОД/ФТ доминируют высокие уровни ручных, повторяющихся, интенсивных задач, которые неэффективны и подвержены ошибкам. Технологии, которые поддерживают эти процессы, в значительной степени опираются на экспертные системы, которые, в целом, не продвинулись с момента их внедрения более десяти лет назад. Они не способны эффективно анализировать значительные объемы сложных транзакций. В итоге мониторинг транзакций является особой проблемной областью для многих банков и в последние годы подвергается значительной критике.

В попытке решить эти проблемы сфера ПОД/ФТ постоянно претерпевает изменения. Отрасль пытается реагировать на появляющиеся новые схемы отмывания денег и мошенничества, формируются новые правила, которые добавляют дополнительные уровни ответственности для банков. Но индустрия финансовых услуг обширна и сегментирована, поэтому далеко не все её участники могут своевременно внедрять новые меры ПОД/ФТ и реагировать на вызовы высоко-адаптивной контрольной среды. Сфера финансовых услуг неповоротлива и дает преступникам шанс на существование.

В ответ на рост расходов на ПОД/ФТ, компании, предоставляющие финансовые услуги, борются за сдерживание затрат на соблюдение мер ПОД/ФТ, и угроза отмывания денег продолжает стремительно развиваться. Неудивительно, что в этих условиях, лидеры бизнеса заняты поиском инновационных и экономически эффективных способов ПОД/ФТ. Для борьбы с растущей проблемой банки и правоохранительные органы пытаются обратиться к искусственному интеллекту (ИИ). Но сработает ли это?

Как ИИ может помочь финансовому сектору в борьбе с отмыванием денег?

Ученые давно стремились наделить машины человекоподобным интеллектом. ИИ является областью исследований с 1950-х годов, однако, в последние годы его возможности быстро росли, подкрепленные достижениями в области вычислительной техники, большей доступностью и количеством данных и увеличением исследований и разработок в этом направлении. Одним из наиболее убедительных примеров использования ИИ является борьба с финансовыми преступлениями. Предполагается, что ИИ может повысить эффективность и результативность расследования финансовых преступлений, а в перспективе и снизить стоимость ПОД/ФТ.

Искусственный интеллект включает в себя ряд технологий, одна из них, известная как «машинное обучение» (machine learning, ML), представляет особый интерес в этом контексте. Машинное обучение это класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Машинное обучение позволяет компьютеру обрабатывать большие объемы данных и распознавать шаблоны внутри него, а затем «учиться» на данных, чтобы соответствующим образом адаптировать свои собственные алгоритмы к набору данных.

Одним из наиболее многообещающих методов машинного обучения является интеллектуальная сегментация (кластеризация). С помощью традиционных систем мониторинга банки обычно сегментируют своих клиентов по отрасли, типу бизнеса, размеру и другим факторам. Они применяют правила, которые исторически работали для предприятий в этих сегментах. Проблема этого подхода заключается в том, что эти сегменты не всегда представляют группы объектов с единообразным поведением транзакций.

Алгоритм ML анализирует транзакции, наблюдает закономерности и создает новые более релевантные сегменты, размещая в них клиентов на основе их поведения. Если клиент выполняет транзакции, которые выходят за пределы обычных параметров для его сегмента, он подвергается более тщательному анализу. Количество ошибочных предупреждений значительно сокращается, а эффективность оставшихся предупреждений о мошеннических операциях  возрастает по сравнению с производительностью с использованием традиционного анализа.

Алгоритмы машинного обучения способны выполнять анализ ссылок, делая выводы, идентифицируя сущности, которые являются сторонами, в сомнительных транзакциях.  Они также могут собирать и анализировать данные из открытых источников, в том числе с сайтов социальных сетей, чтобы помочь установить рейтинги рисков для конкретных клиентов.

Алгоритмы машинного обучения могут быть использованы для выявления новых форм поведения преступников, которые могут побудить финансовое учреждение провести дополнительные расследования. Системы ИИ могут в режиме реального времени обрабатывать множество данных – электронные письма, телефонные звонки, отчеты о расходах – и выявлять модели поведения, которые люди могут не заметить.

Что сдерживает применение ИИ в ПОД/ФТ?

Финансовая отрасль консервативна по своей природе и до недавнего времени финансовые службы по понятным причинам не в полной мере использовали преимущества решений ИИ из-за проблем с так называемыми моделями “черного ящика”, т.е. модель выполняет функции, которые не являются прозрачными для конечного пользователя. Если банк не понимает, как его технология отслеживает финансовые преступления, он не может объяснить, как он соблюдает правила своим регуляторам.

Следующая проблема в использовании ИИ в ПОД/ФТ – это характер данных используемых для обучения моделей (достоверность). Как бы чудесно алгоритм ни выявлял аномалии при просеивании огромных массивов данных, он эффективен настолько же, насколько достоверны данные, которые он обрабатывает.

Таким образом, появляется необходимость для банков, финансовых учреждений, правительств и правоохранительных органов делиться дополнительной информацией. Будут ли банки принимать участие в подобном обмене еще неизвестно. Это связано с тем, что программам ИИ требуется доступ к огромным объемам данных, чтобы «учиться» и хорошо работать, а в банковском контексте набор данных, вероятно, будет включать конфиденциальную информацию о клиентах. Если банк не уверен в том, что контролирует технологию ИИ, он не имеет права передавать конфиденциальную информацию о клиентах для обработки.

Кроме того, искусственный интеллект добавляет усложняющий юридический фактор – кому принадлежат полученные алгоритмы? Представители Управления по патентам и товарным знакам США считают алгоритмы, использующие искусственный интеллект, в общем случае патентоспособными. Будет ли банку предоставлен доступ к этим потенциально проприетарным (имеющим авторские права) алгоритмам, и если нет, то как он может обеспечить надлежащее управление своим риском?

Наконец, интересна ещё одна потенциальная проблема – результаты работы алгоритма ИИ могут непреднамеренно предполагать нарушения некоторых законов. Например, в новостях сообщалось, что Amazon недавно разработала инструмент AI для найма, который она обучила, подкрепляя резюме программы прошлыми успешными наймами. Из этого набора данных программа искусственного интеллекта «научилась» вообще отсеивать женщин-заявителей. Потенциал для подобных проблем существует, когда банки могут не учитывать пол, расу или семейное положение при принятии решения о предоставлении кредита или установлении условий кредита.

Современный подход к ПОД/ФТ пытается идти в ногу с современной деятельностью по отмыванию денег, а ИИ предлагает отличную возможность повысить эффективность ПОД/ФТ. Поэтому несмотря на то, что ИИ продолжает создавать проблемы и проверять аппетит отрасли к риску, все финансовые учреждения должны задавать себе следующий вопрос – «Можем ли мы позволить себе не использовать ИИ как инструмент для ПОД/ФТ и остаться позади?». Очевидно, что инновации с применением ИИ должны рассматриваться как риск, на который стоит пойти.

Ссылки на источники:

  1. How Banks Can Trust AI to Combat Money Laundering
  2. What’s the new weapon against money laundering gangsters?
  3. How AI is transforming the fight against money laundering
  4. The Impact of AI on the Anti-Money Laundering Sector
  5. The case for artificial intelligence in combating money laundering and terrorist financing
  6. UNODC on money-laundering and countering the financing of terrorism
  7. Financial Action Task Force on Money Laundering
  8. Кто придумал «отмывание» денег.

Советуем почитать