هوش مصنوعی و یادگیری ماشینی دوای درد سیستمهای ضدپولشویی
به گزارش گروه تحقیق وترجمه عصربانک؛ ظهور هوش مصنوعی (AI) و یادگیری ماشینی (ML) در خدمات مالی، نبرد ابدی علیه پولشویی را وارد مرحله جدیدی میکند.
موسسات مالی در تلاش برای محدود کردن حجم تراکنشهای غیرقانونی که از سیستمهای مالیشان رد میشود و برای پیروی از مقررات سختگیرانه، از AML استفاده میکنند. در سال 2020، گزارشی توسط LexisNexis برآورد کرد که هزینههای سالانه جهانی برای رعایت AML بیش از 180 میلیارد دلار در سال است.
علیرغم سرمایهگذاری گسترده موسسات مالی در فناوریهای نظارت مبتنی بر هشدار، سازمان ملل تخمین میزند که بین 2 تا 5 درصد از تولید ناخالص داخلی جهانی، یا 800 میلیارد تا 2 تریلیون دلار، همچنان هر سال پولشویی میشود بطوریکه در اتحادیه اروپا، تراکنشهای مربوط به «پول کثیف» حدود 1.5 درصد از تولید ناخالص داخلی یا 133 میلیارد یورو در سال را تشکیل میدهند.
افزایش چشمگیر حجم تراکنشها تا حدودی مسئولیت دارد، زیرا مشتریان به طور فزایندهای کارتها و سایر انواع پرداخت الکترونیکی را به پول نقد ترجیح میدهند. با این حال، به موازات آن، این نیز درست است که بگوییم مسئولین انطباق و تحلیلگران تراکنش به کمک بیشتری نیاز دارند. آنها قبل از اینکه بتوانند شناسایی و حذف فعالیتهای مجرمانه خود را بهبود بخشند، به ابزارهای نظارتی بهتر و دسترسی به دادههای تراکنش بیشتری نیاز دارند.
هوش مصنوعی و یادگیری ماشینی دوای درد سیستمهای ضدپولشویی
سیستمهای قدیمی نظارت بر تراکنشها دیگر از عهده این کار برنمیآیند و شناسایی نادرست، به کلاهبرداران اجازه میدهد تا از شکافها عبور کنند. ولی خوشبختانه نسل بعدی سیستمهای نظارت بر تراکنشهای مبتنی بر هوش مصنوعی و ML این مسائل را برطرف میکنند.
اما یک مشکل بزرگتر و مخرب تر وجود دارد: مجرمان میدانند بانکها در بحث AML با هم همکاری نمیکنند و به همین دلیل از بیشتر از یک بانک استفاده میکنند.
بنابراین نظارت بانکها بر تراکنشهای خود هرگز کافی نخواهد بود. پول کثیف تقریباً هرگز از طریق یک نهاد واحد یا از طریق یک موسسه مالی شسته نمیشود. تراکنش در میان تار عنکبوت پیچیدهای از سازمانها قرار میگیرد، لایه لایه ادغام میشود تا منشا آن را مبهم کنند و نظارت آن را ناکام بگذارند و در بیشتر موارد، این روش کار میکند. برآوردهای دقیق دشوار است اما به طور کلی پذیرفته شده است که فقط 1٪ از پولهای کثیف شناسایی میشود.
بنابراین، توانایی یک مؤسسه مالی برای شناسایی موارد فردی پولشویی، نمیتواند مشکل را حل کند. به این دلیل که کشف یک پولشویی از یک تراکنش تقریباً غیرممکن است. به طور معمول، شیوههای نظارت بر تراکنشها تنها یک بخش کوچک از یک جریان پولی بسیار بزرگتر و پیچیده را پوشش میدهند که از طریق شبکهای از بانکها و حوزههای قضایی نظارتی عبور میکند.
بانکها برای گسترش قابلیتهای AML خود باید از روشهای ترکیبی همکاری استفاده کنند
از لحاظ تاریخی، بانکها عمدتاً به دلیل مسائل تجاری و رقابتی و پیروی از دستورات تحمیلی توسط مقررات حفظ حریم خصوصی دادهها، به تنهایی با پولشویی مبارزه کردهاند. برای انجام این کار، آنها یا به نرم افزار ساخته شده داخلی برای نظارت بر پرداختها و نقل و انتقالات اتکا میکنند یا با یک تامین کننده شخص ثالث برای نظارت بر تراکنش خود کار میکنند. به لطف قوانین حفظ حریم خصوصی دادهها، حتی زمانی که نرمافزار خارجی توسط چندین مؤسسه استفاده میشود، پتانسیل کمی برای همکاری بانکها با یکدیگر وجود داشته است.
اما این را در نظر بگیرید: اگر یک ارائهدهنده شخص ثالث، علاوه بر پشتیبانی از PSPها و بانکها در تراکنشهایشان، آنها را قادر سازد تا تجزیه و تحلیل شبکه را در چندین مؤسسه مالی بدون نقض قوانین انطباق انجام دهند، چه میشود؟ تصور کنید الگوریتمهای یادگیری ماشینی با API های بانکداری باز برای جمعآوری و تجزیه و تحلیل دادههای تراکنش از هزاران بانک ترکیب شود. به قابلیتی که میتواند از این طریق به طور بالقوه برای کشف کل شبکههای مجرمانه شناسایی شود و میزان جرایم مالی که میتواند در نتیجه آن در زمان واقعی متوقف شود، فکر کنید.
عوامل کلیدی همکاری بین نهادی AML
اتخاذ یک رویکرد بین نهادی برای نظارت بر تراکنش و ریسک، تقریباً با غریزه اکثر بانکها در تقابل است. دستیابی به آن از نظر فناوری نیز دشوار است و موانع نظارتی برای رفع این مشکلات وجود دارد. برای مقابله با این امر و اطمینان از اعتماد در سراسر شبکه، دستورالعملهای امنیت و اشتراک دادهها باید قبل از همکاری مورد مذاکره و توافق قرار گیرد. سپس پروتکلهای ارتباطی و مکانیزمهای بازخورد میتوانند برای هشدار دادن به بانکهای شرکتکننده در مورد فعالیت مجرمانه بالقوه ایجاد شوند.
نکته مهم این است که مالکیت و کنترل پلتفرمهای مورد استفاده برای اشتراکگذاری دادهها باید همچنان به هر بانک تعلق داشته باشد. دادههای مشکوک هنوز باید رمزگذاری شوند یا با هوش مصنوعی ترکیب شوند تا بتوانند در شبکه به اشتراک گذاشته شوند و به احتمال زیاد، هر بانک متعاقباً میتواند تنها بر اساس دادههای خود عمل کند، نه در پاسخ به یک تحقیق گسترده تر؛
مهم این است که چنین تلاشهای نظارتی بر تراکنشها هرگز نباید به عنوان جایگزینی برای نظارت بر کلاهبرداری داخلی بانک در نظر گرفته شود. آنها باید مکمل هم باشند و برای تقویت مدیریت ریسک یک مؤسسه مالی، بر اساس تجزیه و تحلیل چندین مدلهای شناسایی، استفاده شوند.
دادهها، کلید همکاری در نظارت AML هستند
دادهها هم حلال مشکل هستند و هم خود مشکل. اکثر موسسات مالی ترکیبی از مجموعهای از دادهها و سیستمهای نظارت بر تراکنش را در حال حاضر در اختیار دارند. هماهنگ کردن و به اشتراک گذاشتن اینها دشوار خواهد بود، به طوری که بتوان اطلاعات را در میان آنها ترسیم کرد. آنها به طور قابل توجهی از بانکی به بانک دیگر متفاوت خواهند بود.
بنابراین ارائهدهندگان خدمات مالی و بانکی باید قفل انبارهای داده را باز کنند و نظارت بین سازمانی را انجام دهند، تا یک دیدگاه کمیتر، جامعتر و بهروزتر در مورد تمام جنبههای ریسک برای همه واحدهای تجاری و تراکنشهای پردازششده بدست بیاید.