Борьба с отмыванием денег, почему машинное обучение работает лучше
Алгоритмы машинного обучения и самообучения могут поддерживать и помогать автоматизировать ручные процессы во многих различных областях предприятия. Обнаружение мошенничества и борьба с отмыванием денег — идеальные приложения, но вы должны быть очень осторожны. Потому что любой просчет может обернуться либо большими финансовыми потерями, либо существенным ущербом для репутации компании. В приведенном ниже интервью Кристиан Энгель рассказывает о лучших способах использования этих технологий. Белая книга по теме также доступна здесь: https://www.sas.com/gms/redirect.jsp?detail=GMS110076_151816
Вопрос. Стоит ли вообще рассматривать идею улучшения процессов обнаружения отмывания денег с помощью алгоритмов машинного обучения?
Кристиан: При подозрении на отмывание денег самообучающиеся алгоритмы могут дополнить ручные процессы, используемые банками. На самом деле таким образом вы можете снизить риск принятия неверных решений.
Вопрос. Давайте поговорим о статус-кво. Чем сейчас занимаются банки?
Кристиан: Банки полагаются на приложения, основанные на правилах, для выявления потенциальных операций по отмыванию денег среди своих клиентов. Они могут идентифицировать как распространенные, так и более конкретные виды деятельности по отмыванию денег.
Вопрос. Откуда берутся эти правила?
Кристиан: Правила были определены заранее, реализованы, а затем пороговые значения были скорректированы по мере необходимости, чтобы выявить как можно больше подозрительных клиентов. Результатом этих приложений, основанных на правилах, является классификация клиентов либо как положительных, другими словами, подозрительных [A1], либо как отрицательных и, следовательно, не вызывающих подозрений. Положительные случаи передаются следователям, которые затем используют ручные процессы, чтобы определить, можно ли опровергнуть или подтвердить первоначальное подозрение, и в этом случае о деятельности следует сообщить в правоохранительные органы.
Вопрос. Как я могу использовать алгоритмы машинного обучения для борьбы с отмыванием денег?
Кристиан: Одним из способов решения этой проблемы может быть использование доступной информации, такой как информация о клиентской базе, учетных записях и транзакциях, и автоматическое обнаружение подозрительных закономерностей и корреляций. Такая информация может помочь следователям принять решение. В этом случае самообучающиеся алгоритмы помогают обнаруживать мошенничество вручную. Способность алгоритмов постоянно учиться на основе данных позволяет им быстро обнаруживать как известные, так и возникающие виды деятельности по отмыванию денег.
Вопрос. Как это работает?
Кристиан: результат классификации алгоритма представлен в виде процента от нуля до 100. Это число представляет вероятность того, что клиент не занимается отмыванием денег в соответствии с алгоритмом. и что первоначальное подозрение будет опровергнуто дальнейшим расследованием. Алгоритм может сделать одну из следующих оценок:
· Алгоритм правильно классифицирует клиента как подозреваемого в отмывании денег или как не подозревающего.
· Алгоритм ошибочно классифицирует клиента как отмывателя денег, хотя на самом деле он не занимается противоправной деятельностью. Это было бы ложным отрицанием гипотезы о невиновности покупателя.
· Алгоритм не может обнаружить кого-то, кто на самом деле занимается отмыванием денег. Это была бы наихудшая возможная ошибка, и она классифицируется как ошибка первого рода или ложное срабатывание на невиновность.
Вопрос. Что делает этот процесс сложным? И какой силой обладает алгоритм машинного обучения?
Кристиан: Часть процесса включает в себя определение процента, выше которого клиент не должен подозреваться в отмывании денег. Чтобы ответить на этот вопрос, вы должны очень внимательно изучить результаты модели. Это также включает в себя принятие во внимание толерантности банка к риску. При машинном обучении реальные данные используются для имитации пороговых значений этих процентов, а затем числа корректируются по мере необходимости. Здесь всегда имеет значение то, насколько часто результаты алгоритма совпадают с реальностью.
Вопрос. Какую ценность этот тип оптимизации может добавить для банка?
Кристиан: Проверка концепции обычно показывает, что автоматизация определенных задач во время расследования может привести к экономии времени до 50 процентов. Более того, мы также видим значительное улучшение качества и времени обработки. Борьба с отмыванием денег требует значительного объема документации. Однако машинное обучение часто дает результаты, которые трудно интерпретировать. Таким образом, основное внимание изначально уделяется использованию технологии исключительно в вспомогательной роли для ускорения процессов и повышения качества результатов.
