Denne klumme er et debatindlæg og er alene udtryk for skribentens synspunkter.
Hvidvaskskandalen omkring Danske Banks filial i Estland har vist, at banker ikke kender deres kunder så godt, som de burde.
Både fraværet af behørig opmærksomhed og skaderne på omdømmet har ramt bankens aktiekurs.
Det naturlige svar på dette kunne være at ansætte en hær af hvidvask-kontrollører. Men den løsning er ikke skalerbar, og den løser ikke problemet.
I stedet bør man tage en mere sofistikeret process med maskinlæring og AI i brug. Men hvis man ikke gør det rigtigt fra starten, kan man risikere, at maskinerne får samme dårlige vaner som mennesker. Her kommer fire gode råd til at gøre det rigtigt.
AI hjælper med at forbedre transaktionsmonitorering på to måder:
• Det kan prioritere den enorme mængde af alarmer ved at rangere dem i risikogrupper, der sikrer, at kontrollørerne kan håndtere mængden af alarmer.
• Det kan opdage tidligere uopdagede mønstre ved at benytte en kombination af overvåget og ikke overvåget maskinlæringsmodeller.
Maskinlæring refererer til analytiske teknikker, der kan “lære” mønstre i datasæt uden at blive guidet af analysemedarbejdere.
AI refererer til den bredere applikering af specifikke analysetyper, der hjælper til at udføre en bestemte opgaver. Fra at køre en bil til - ja, identificere hvidvask transaktioner.
I dette tilfælde; tænk på maskinlæring som en måde at bygge analysemodeller og AI som måden man bruger disse modeller.
Maskinlæring hjælper dataeksperter med effektivt at bestemme, hvilke transaktioner der er mest sandsynligt er svindel, samtidig med at man reducerer antallet af falske alarmer betydeligt.
Disse teknikker er ekstremt effektive, når man skal finde og forhindre svindel, fordi de giver mulighed for automatisk at opdage bestemte mønstre på tværs af meget store mængder af løbende transaktioner.
Hvis det gøres rigtigt, kan maskinlæring klart og tydeligt sondre mellem legitime og ikke-legitime bevægelser, samtidig med at den tilpasser sig over tid og finder nye hidtil usete hvidvaskningstaktikker. Dette er selvfølgelig ganske komplekst og kræver tusindvis af nøjagtige beregninger i løbet af millisekunder.
Uden en ordentlig forståelse for området, såvel som videnskabelige teknikker for svindel-specifikke data kan man let komme til at indføre maskinlæringsalgoritmer, der lærer de forkerte ting, hvilket resulterer i dyre fejltagelser, der er vanskelige at udrede igen. Ligesom mennesker kan lære dårlige vaner, kan dårligt konstruerede maskinlæringsmodeller gøre det samme.
Så hvordan undgår man de dårlige vaner flytter med?
1. Integrer overvågede og ikke-overvågede AI modeller i en sammenhængende strategi
Fordi organiseret kriminalitet er så sofistikeret og ændrer sig hurtigt, vil forsvarsstrategier, der er baseret på ensidig one-size-fits-all-analyser kun producere andenrangs resultater.
Hver case skal suppleres med special designede detektionsteknikker, specielt til det pågælende problem.
Derfor spiller både overvågede og ikke-overvågede modeller vigtige roller i svindeldetektion og skal flettes sammen i en omfattende næste-generations antihvidvask-strategi.
2. Benyt Behavioral analytics
Maskinlæring kan forstå og forudsige adfærd på mikroniveau på tværs af alle aspekter i en transaktion.
Informationen skal gemmes i profiler, der repræsenterer adfærden for hvert individ, handlende, konto og enhed. Og disse profiler skal opdateres ved hver transaktion i realtid, så de kan udregne analytiske karakteristika, der kan forudsige fremtidig adfærd.
3. Udvid datasættet
Man kan forbedre forudsigelserne ved at udvide datasættet, der udregner adfærd i maskinlæringsmodellen.
På samme måde som når læger, ser tusindvis af patienter under deres uddannelse, er det mængden af erfaring og læring, der gør dem i stand til at diagnosticere præcist inden for deres felt.
I hvidvaskdetektion vil modellen blive langt bedre ved at indlæse erfaringerne fra millioner eller milliarder af eksempler på både legitime og falske transaktioner.
4. Benyt adaptive analytics technologies.
Svindlerne sørger for, at beskyttelsen af kundernes kontoer er meget komplekst og dynamisk.
En udfordring, hvor maskinlæring for alvor trives.
For en kontinuerlig forbedring af evnen til at opdage svindel, bør antihvidvask-teamet overveje adaptive teknologier designet specielt til at skærpe dømmekraften på de marginale beslutningsområder.
De transaktioner, der ligger lige over eller under grænsen til at udløse en alarm og undersøgelse, er der, hvor nøjagtigheden er mest kritisk.
En adaptiv analyse-teknologi kan skærpe dette grænseland med opdateret viden om trusselsvektorerne, som banken støder på.
Hvis man gør det rigtigt, kan maskinlæring og kunstig intelligens lægge fundamentet for en yderst effektiv anti-hvidvask-kontrol.
Men det er ikke nok at have blind tillid til teknologien. Der skal også en klar strategi og en bred tværgående organisatorisk opbakning, der kan navigere hurtigt og ændre sig i forhold til behovet.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.
