„Finansų institucijos jau seniai pasitikėjo žmogaus nuomone, kalibruodamos sistemas, kurios padeda pastebėti potencialiai rizikingas operacijas ir klientus. Dabar „Google Cloud“ nori, kad jos leistų dirbtinio intelekto technologijai labiau kontroliuoti šį procesą.
„Alphabet“ debesų verslas trečiadienį paskelbė, kad pristato naują dirbtiniu intelektu pagrįstą kovos su pinigų plovimu produktą. Kaip ir daugelis kitų rinkoje jau esančių įrankių, bendrovės technologija naudoja mašininį mokymąsi, kad padėtų klientams finansų sektoriuje laikytis taisyklių, reikalaujančių, kad jie patikrintų galimai įtartiną veiklą ir praneštų apie ją.
„Google Cloud“ siekia išsiskirti, atsisakydama taisyklėmis pagrįsto programavimo, kuris paprastai yra neatskiriama pinigų plovimo priežiūros programos sukūrimo ir priežiūros dalis – tokio dizaino pasirinkimas prieštarauja vyraujančiam požiūriui į tokią programą. ir kai kurie pramonės atstovai gali turėti daug skepticizmo.
Produktas, programų programavimo sąsaja, pavadinta Anti Money Laundering AI, turi keletą žymių vartotojų, įskaitant Londone įsikūrusią HSBC, Brazilijos Banco Bradesco ir Danijos skaitmeninį banką Lunar.
Ji pradedama naudoti tuo metu, kai pirmaujančios JAV technologijų įmonės išplečia savo dirbtinio intelekto galimybes po generacinės AI programos ChatGPT sėkmės ir daugelio verslo pasaulio atstovų lenktynių integruoti tokią technologiją į įvairias verslo sritis ir pramonės šakas.
Finansų institucijos daugelį metų rėmėsi tradicinėmis dirbtinio intelekto formomis, kad padėtų joms surūšiuoti milijardus operacijų, kurias kai kurios iš jų sudaro kasdien. Procesas paprastai prasideda nuo daugybės žmogaus sprendimų, tada mašininio mokymosi technologija yra įdiegta, kad būtų sukurta sistema, leidžianti bankams pastebėti ir peržiūrėti veiklą, kurią gali reikėti pažymėti reguliavimo institucijoms tolesniam tyrimui.
„Google Cloud“ sprendimas atsisakyti taisyklėmis pagrįstos įvesties, kad nustatytų, ko turėtų ieškoti jos stebėjimo įrankis, yra lažybos dėl AI galios išspręsti problemą, kuri daugelį metų kamuoja finansų sektorių.
Priklausomai nuo to, kaip jie sukalibruotos, finansų įstaigos kovos su pinigų plovimu priemonės gali rodyti per mažą arba per didelę veiklą. Per mažai įspėjimų reguliavimo institucijoms gali kilti klausimų arba dar blogiau. Per daug gali priblokšti banko atitikties personalą, kuriam pavesta peržiūrėti kiekvieną atitiktį ir nuspręsti, ar pateikti ataskaitą reguliavimo institucijoms.
„Google Cloud“ vadovai tvirtina, kad rankiniu būdu įvestos taisyklės padidina šiuos skaičius. Vartotojas gali nurodyti programai pažymėti klientus, kurie įneša daugiau nei 10 000 solerių arba siunčia kelias tos pačios sumos operacijas į daugiau, nei 10 sąskaitų.
Dėl šios priežasties sistemos sugeneruotų įspėjimų, kurie pasirodo esąs blogais potencialiais klientais, arba tai, ką pramonė vadina „klaidingais teigiamais pranešimais“, skaičius paprastai būna didelis. Thomson Reuters Regulatory Intelligence tyrimai rodo, kad tokių sistemų sugeneruotų klaidingų teigiamų rezultatų procentas siekia net 95%.
Naudodami „Google Cloud“ produktą, vartotojai negalės įvesti taisyklių, tačiau galės pritaikyti įrankį, naudodami savo rizikos rodiklius ar tipologijas, sakė vadovai.
„Google Cloud“ teigia, kad naudojant AI principą, jos technologija sumažino HSBC gaunamų įspėjimų skaičių net 60%, tuo pačiu padidindama jų tikslumą. Remiantis „Google“ nurodytais duomenimis, HSBC „tikrieji teigiami rezultatai“ išaugo net nuo dviejų iki keturių kartų.
Jennifer Shasky Calvery, HSBC finansinių nusikaltimų rizikos ir reikalavimų laikymosi grupės vadovė ir buvus aukščiausia JAV kovos su pinigų plovimu pareigūnė, teigė, kad „Google Cloud“ sukurta technologija yra „pagrindinis paradigmos pokytis, kaip aptinkame neįprastą savo klientų veiklą ir jų sąskaitas“.
Daugeliui finansų įstaigų kontrolės perdavimas mašininio mokymosi modeliui gali būti sunkus pardavimas. Pirma, reguliavimo institucijos paprastai nori, kad institucijos galėtų aiškiai paaiškinti savo atitikties programos pagrindą, įskaitant tai, kaip kalibravo įspėjimo sistemas. Įprasta bankų ir jų reguliavimo institucijų nuomonė yra ta, kad tokios sistemos turėtų būti pritaikytos konkrečiai institucijai ir jos rizikos profiliui.
Ir nors atitikties ekspertai teigia, kad mašininiu mokymu pagrįstos kovos su pinigų plovimu priemonės, bėgant metams, tobulėjo, dėl jų apribojimų kai kurie pramonės atstovai skeptiškai žiūri į jų gebėjimą pakeisti žmogaus gebėjimą išsiaiškinti, kur iš tikrųjų slypi rizika.
„Yra tiek daug kontekstinės informacijos, į kurią šios sistemos neatsižvelgia“, – apie rinkoje esančius įrankius sakė konsultantė Sarah Beth Felix, padedanti bankams tikrinti ir kalibruoti kovos su pinigų plovimu įrankius. „AI yra geras tik tiek, kiek jį treniruojantys žmonės yra geri".
„Google Cloud“ vadovai teigė, kad tikisi palengvinti šiuos rūpesčius ir parodydami geresnius rezultatus, ir naudodami kitą savo produkto funkciją – tai, ką jie pavadino „paaiškinimu“.
Užuot sutelkusi dėmesį į įspėjimų apie sandorius teikimą, įmonės produktas remiasi įvairiais duomenimis, kad nustatytų didelės rizikos mažmeninių ir komercinių klientų atvejus ir grupes. Kiekvieną kartą, kai produktas pažymi konkretų klientą, jame taip pat pateikiama informacija apie pagrindines operacijas ir kontekstinius veiksnius, kurie lėmė didelės rizikos balą, sakė Zac Maufe, pasaulinis „Google Cloud“ reguliuojamų pramonės sprendimų vadovas.
„Mes praleidome daug laiko, įsitikindami, kad kalba, kurią modelis galėjo pateikti analitikams, pasakytų jų žodžius“, - sakė Maufe. „Tai ne tik „duokite jiems atsakymą“, bet ir „parodykite jiems namų darbus“.
Savo ruožtu Calvery teigė, kad, kai reguliuotojai buvo priversti priimti naująjį HSBC požiūrį, tai buvo pasiekta, išbandant ir patvirtinus naująjį įrankį." [1]
1. Cybersecurity: Alphabet Launches Bank AI Tool --- Cloud unit aims to cut human input in screening for money- laundering risks. Tokar, Dylan.
Wall Street Journal, Eastern edition; New York, N.Y. [New York, N.Y]. 22 June 2023: B.5.
Komentarų nėra:
Rašyti komentarą