AI:做KYC和AML的新方式

经过安佳妮库马尔那哈利Keir休斯 3月2021年3月|文章|10分钟阅读|通过电子邮件发送本文|下载

反洗钱罚款正在增加，在晚上保持高管。但是，传统的，基于规则的知识您的客户和AML努力在官僚机构中缓慢，手动和融入。需要什么是成功筛选和简介客户的新方法，优先考虑基于股份的金钱。进入人工智能，一种可以将假阳性降低80％的技术，达到90％的型号准确性并减少案例审核时间三分之一。

洗钱是全球经济的大规模金融流失。全球金额估计每年高达2万亿美元，或约占全球国内生产总值的5％。¹

除了规模，打击洗钱和遵守法规的复杂性也有所升级。银行渠道、数字支付网络和替代渠道(赌场、虚拟货币、交易洗钱)的不断增加，让金融服务高管们夜不能寐。与此同时，监管预期比以往任何时候都更加苛刻。

为了解决这些问题，银行在了解客户和反洗钱技术上进行了大量投资。然而，这些支出并没有阻止“反洗钱”罚款的总体增加;在全球范围内，2019年金融机构支付的罚款金额几乎是2018年的两倍。²罚款大约为89亿美元，制裁可以在机构的库房中提出一个重要的凹痕，并且可以大规模玷污银行的声誉。^3.

那么为什么这些投资没有果实？通常，大多数kyc和AML努力使用基于规则的方法，这是官僚主义的缓慢，手动和陷入困境。

客户在没有有效尽职调查的情况下播放。付款筛选缓慢并缺乏强大的数据。没有欣赏不同的洗钱类型，风险或法规，监测交易。此外，AML员工在努力工作的时间内致力于低级案例管理任务，例如数据收集，清洁和聚合，当时他们应该深入了解各种警报，账户和流氓受益者之间的联系。此外，AML报告需要重大的手动干预;基于新数据的动态可视化是不可能的。

所有这些加在一起导致了更多可疑活动报告(SARs)的产生。许多是低质量的，进一步降低了作战效能。事实上，监管机构认为只有7%的严重急性呼吸系统综合症值得关注，尽管这一数字从2019年到2020年增加了20%。^4.^{, 5}

金融机构需要的是成功筛选和披露客户的新方式，同时确保当前客户的交易是合法的。这种解决方案将是灵活的，适应性和风险的汇集库系统的数据和第三方数据库。理想的系统还将利用新闻网点和社交媒体的实时洞察以及AI在合适的时间来定位合适的人。如果成功，金融机构可以减少误报的数量，并按照股份的金额和声誉风险的金额优先考虑警报。可以在图1中看到此新系统的工作流程框架。

图1所示。使用人工智能和机器学习的新的KYC-AML工作流

银行系统数据			外部数据
客户\| lob应用程序\|事务\|雇员			政府和第三方数据库(制裁/观察名单)\|新闻网站\|社交媒体
KYC和ClientOnboarding	支付筛选	交易监测	警报和个案管理	报告
客户信息捕获和丰富客户风险分析和分割客户筛选（制裁（欧盟，OFAC），PEP，KINKLIST等） CDD / EDD 客户风险配置文件刷新	交易执行前的甄别，以防止非法资金转移，并只允许那些符合法律的交易	执行后交易监控以识别可疑行为（例如，漏斗账户，高速，结构化，圆形交易，客户预期帐户个人资料之外的活动等）	警报优先级案例分配案件调查案例解析	SARS. CTRS. 其他监管报告内部合规报告
说明性的AI/机器学习实现
客户信息汇总 KYC文档分析 UBO分析远程kyc. 智能风险评分和分割	名称匹配列表管理不良媒体筛选制裁和观察名单筛选	复杂的链接分析新的洗钱模式检测方案优化实时和基于风险的TM	警报调优警报优先级警报路由警报浓缩警报调查警报auto-closure	自动化SAR文件特别行政区,CTR分析智能报告仪表板和可视化工具

资料来源：Infosys Fincrime部门

在这种新模式下，人工智能可以用于:

执行远程KYC操作并评估客户风险使用自然语言处理，机器人过程自动化和认知计算。
屏幕客户基于媒体、制裁和观察列表，使用基于nlp的语言搜索、模糊名称匹配功能和情感分析。
聪明地简介和分部客户基于实时交易，比如那些在特定业务类型和地理位置从事大量在线信用交易的客户。
表演复杂链接分析揭示实体之间隐藏的、复杂的、多层次的关系网络。
从众多数据来源持续分析和学习，以解点新的线索，复杂的洗钱计划。
执行实时风险事务监控这可以提供一个高度细化的交易风险评分。这些分数应考虑到SAR历史数据、案件管理文件、美国外国资产控制办公室的数据、特别指定国民和被屏蔽人员名单、其他制裁数据库以及新闻和社交媒体帖子。此外，这种情报将查明与未知对手方、发起者和受益人有关的不寻常交易概况和可疑交易。
撑腰警报和案例管理从过去的调查中学习的能力。此外，该解决方案将使低风险警报自动休眠，提供时间来收集关于客户活动的更多信息，并构建一个全面的案例。
提供智能和动态报告，仪表板和可视化工具 - 包括不同格式的SARS。AI还将提供智能洞察，调查时间表，警报卷和分析师生产力;支持客户网络和资金移动的可视化;并使用NLP和Graph分析生成案例说明。

用于kyc和AML的AI和机器学习系统的使用已经在金融机构中显示出福利。澳大利亚金融情报局奥地拉奥地拉州合作与学术界合作使用AI检测可疑活动，揭开未知的洗钱网络和国旗交易进行进一步调查。^6.汇丰银行与硅谷AI启动AYASDI合作，正在使用该技术自动化AML调查，并大大提高运营效率。^7.此外，SAS还提供了AML解决方案，减少了80%的假阳性，实现了90%以上的模型准确率，并将SAR转化率提高了四倍。它的功能还支持实时筛查和即时检测受益所有者、受制裁实体和以前未标记网络之间的链接。SAS还利用RPA来最大限度地减少人工工作，并将案例审查时间减少了30%。^8.^{, 9}

在KYC和AML中继续使用AI

然而，这种方法具有警告。为了真正从AI努力捕获和防止洗钱的福利，公司必须采取衡量的视图，他们的AS状态，注意AI模型中使用的数据，并确保模型通过适当的治理加强。图2概述了一个实现框架，可以在自己的KYC-AML转换中快速带来大型企业。

图2.在KYC-AML中采用AI时的关键注意事项

资料来源：Infosys Fincrime部门

方法- 鉴于黑匣子AI系统的性质，调节器目前对KYC-AML的旧方法更舒适。因此，应使用测量和渐进方法仔细实施实施AI。这需要称为冠军挑战者实施的内容，由此基于传统的规则的方法和AI解决方案并行运行，具有用于改进基于规则的解决方案和优化模型的经验教训。一旦AI在组织和结果被证明的C-Suite的结果中，可能会发生转换到AI型号。在这种方法之后，分析师和调查人员随着时间的推移可以对新系统感到满意，从突然的大规模实施中减少了摩擦管理人员的数量。

要实现AI，公司必须确保数据和模型都有适当的治理

数据方面- 无论多么复杂，AI无法创建准确的客户档案或进行全面的链接分析，如果数据本身是可疑的。因此，如果AI模型将值得盐，金融机构应在数据管理和治理中投入大量投资。内部系统数据应准确，一致，完整。此外，金融机构应考虑为各种账户，交易，案例管理和其他用例实施数据湖基础设施。有了它，数据可用性将增加，项目的质量，灵活性和可扩展性更高。对于用于筛选客户的外部数据并执行交易监控，应使用详尽的数据来源 - 商业，政府和开源 - 应使用。

解释性-许多监管机构认为，人工智能难以理解，并将其置于显微镜下观察，因为出现问题的风险较高。为了减轻他们的担忧，公司必须证明他们有足够的治理能力，并且系统是透明的和可审计的。金融机构应专注于加强治理，并让监管机构认识到，验证和报告流程符合数据安全和隐私法规。良好的审计跟踪是必要的，模型所有者应该能够用简单的语言清楚地解释模型是如何工作的。此外，可解释性要求在使用相同的输入时，结果应该是可重复的。

但是AI不是欺诈活动的灵丹妙药

银行敏锐地意识到他们有责任来防止洗钱。用亿美元的罚款，从来没有更重要的是，确保实体之间流动的资金在上面，新客户没有非法活动。需要更多自动化，AI和其他技术来快速理解日益增长的风险，并采取措施减轻邪恶的客户活动的影响。

先进技术可以迅速、成功地确定一家在避税天堂运营的空壳公司最终是否由受制裁的个人控制。然后，它可以使用NLP自动打开一个案例，并根据风险金额生成报告。然而，我们应该记住，人工智能并不是欺诈活动的万能药。贸易机构英国金融(UK Finance)负责制裁事务的尼尔•威利(Neil Whiley)表示:“技术可以帮助提高效率和提高合规成本，(但)不能降低所有风险和成本因素。”^10.

用亿美元的罚款，从来没有更重要的是，确保货币流动和客户活动在橱柜之外

据说，更好地说明的ai是为了改变kyc，AML和操作的性质，确保基金的冻结被错误的证据备份，同时大大减少了新客户以其费用贪污资金的机会。如果他们得到它，金融机构可以减少运营费用，并建立一个积极的AML战略，符合审计员和公众透明。