Annons

Annons

Så ska finansvärlden arbeta med AI på ett effektivt sätt

Att få artificiell intelligens att fungera ihop med människans sätt att tänka är nyckeln till att förebygga och upptäcka penningtvätt i finansvärlden, skriver Josefin Rosén på SAS Institute på Realtids debattsida.

Banker och finansinstitut har inte råd med för många missar i övervakningen av sina transaktioner. Ett bomskott kan vara ett för mycket – och resultera i både kostsamma viten och ett skadeskjutet varumärke. Genom att applicera AI i processen kan man som tur är bli bättre på att hitta transaktioner som ingår i penningtvätt, skriver Josefin Rosén på SAS Institute.

Penningtvätt är ett växande problem. Enligt FN:s drog- och brottsbekämpningsbyrå (UNODC) uppskattas kostnaden för penningtvätt till 2-5 procent av globala BNP, vilket motsvarar cirka 800 miljarder – 2 biljoner dollar, per år. Därför krävs åtgärder för att skapa ett effektivare kontrollsystem för att upptäcka och förebygga penningtvätt hos såväl banker som övervakande myndigheter.

Alla banker har i dag system och kontrollrutiner tillsammans med dedikerade team för att övervaka transaktioner och identifiera misstänkt aktiviteter. Med ett växande antal kunder och transaktioner i kombination med allt för enkla regelstyrda system och processer finns ett stort problem med många så kallade falska positiva alerts som kräver manuell hantering av utredare och därmed höga operationella kostnader.

Annons

Annons

I dag bygger kontrollsystemen på statiskt formulerade regler baserade på redan kända eller tidigare misstänkta riskfaktorer. Men genom att berika data med externa och interna datakällor, samt applicera AI i processen för att övervaka transaktioner, kan man minska antalet falska positiva alerts betydligt, och samtidigt öka de sanna positiva.

Maskinlärande tekniker kan identifiera helt nya riskområden och nya samband som är för komplexa att upptäcka med regelbaserad detektion eller det mänskliga ögat. Precisionen hos maskinlärande modeller gör att man också kan ge input till skarpare tröskelvärden för befintliga regler. Därmed kan man mycket effektivt minska antalet falska positiva alerts, öka de sanna positiva, och dessutom hjälpa till att prioritera det manuella undersökningsarbetet så att de alerts med högst risk score undersöks först.

Ostrukturerat data, där fritext utgör en stor del, uppskattas uppgå till 80 procent av en organisations data. Detta är en viktig del av tillgängliga data som ofta glöms bort och därmed hamnar utanför analysen. Genom att med natural language processing (NLP) och textanalys omvandla text till strukturerad data kan man kombinera det med övrig data och därmed förstärka sina modeller. SWIFT-meddelanden och olika typer av anteckningar kopplade till transaktionerna är exempel på sådana värdefulla datakällor.

Banker och finansinstitut har inte råd att ha för många missar i övervakningen av sina transaktioner; ett bomskott kan vara ett för mycket. När man inte upptäcker penningtvätt kan det resultera i både dyrbara viten och i ett skadeskjutet eller havererat varumärke. Ökad noggrannhet är avgörande för att säkerställa korrekt inriktning och identifiering av sanna positiva och ett minimalt antal falska positiva träffar.

Låt mig avslutningsvis lista några mål som är rimliga i arbetet med att höja kvaliteten för kontrollerna

  • Det uppenbara målet är att hitta fler individuella transaktioner som ingår i penningtvätt, och att kunna koppla dem till brottslingar.
  • För att förbättra hela processen för kontroller är det viktigt att minska antalet transaktioner som bedöms behöva kontrolleras närmare genom att höja träffsäkerheten för det urval som görs. En del av arbetet med bättre urval är att minska antalet falska positiva fall, och även att minska antalet falska negativa fall. Det är också värdefullt att kunna prioritera på ett bättre sätt. Maskininlärning kan göra stor skillnad här.
  • På sikt, där regulatoriska krav medger, kan man automatisera stora delar av processen, eller flödet, för kontrollerna. Det gör att fler, och förhoppningsvis bättre, kontroller kan göras, till en lägre kostnad.
  • På ännu längre sikt är det kanske möjligt att automatisera åtgärder. Jämför med att en person inte får ut pengar från en bankomat om kontot är tomt, utan att en människa behöver fatta beslut om det. Samma princip skulle kunna gälla för en banktransaktion som bedöms handla om penningtvätt.

De tekniska plattformarna och verktygen finns redan och det är inte bara storbanker som kan ha användning av sådana. Vilka lösningar man än väljer är en sak klar, det krävs nya grepp för att upptäcka penningtvätt och skapa en mer säkerställd finansiell verksamhet. AI är, som inom så många andra områden, i samarbete med människan nyckeln till framgång.

Josefin Rosén är senior rådgivare på SAS Institute i Sverige.

Läs allt om:

Annons

Annons

You voted 'down'.

Annons

Annons

Annons

Annons