Η τεχνητή νοημοσύνη και η πρόληψη των οικονομικών εγκλημάτων: Γιατί οι τράπεζες χρειάζονται μια ισορροπημένη προσέγγιση

Η τεχνητή νοημοσύνη είναι ένα διπλό σώμα για τις τράπεζες: ενώ ανοίγει πολλές δυνατότητες για πιο αποτελεσματικές λειτουργίες, μπορεί επίσης να δημιουργήσει εξωτερικούς και εσωτερικούς κινδύνους.

Οι οικονομικοί εγκληματίες χρησιμοποιούν την τεχνολογία για να παράγουν deepfake βίντεο, φωνές και ψευδή έγγραφα που μπορούν να περάσουν από την ανίχνευση υπολογιστή και ανθρώπων, ή να ενισχύσουν τις δραστηριότητες απάτης μέσω email. Στις Ηνωμένες Πολιτείες μόνο, η γεννητική τεχνητή νοημοσύνη αναμένεται να επιταχύνει τις απώλειες απάτης σε ετήσιο ρυθμό αύξησης 32%, φτάνοντας τα 40 δισεκατομμύρια δολάρια έως το 2027, σύμφωνα με μια πρόσφατη έκθεση της Deloitte.

Πιθανόν, λοιπόν, η απάντηση των τραπεζών πρέπει να είναι να εξοπλιστούν με ακόμη καλύτερα εργαλεία, αξιοποιώντας την τεχνητή νοημοσύνη σε όλες τις προσπάθειες πρόληψης των οικονομικών εγκλημάτων. Οι τραπεζικές ιδρύσεις αρχίζουν να αναπτύσσουν την τεχνητή νοημοσύνη στις προσπάθειες τους για την καταπολέμηση των οικονομικών εγκλημάτων – για να παρακολουθούν τις συναλλαγές, να παράγουν αναφορές για ύποπτες δραστηριότητες, να αυτοματοποιούν την ανίχνευση απάτης και άλλα. Αυτά έχουν το δυναμικό να επιταχύνουν τις διαδικασίες ενώ αυξάνουν την ακρίβεια.

Το ζήτημα είναι όταν οι τράπεζες δεν ισορροπούν την εφαρμογή της τεχνητής νοημοσύνης με την ανθρώπινη κρίση. Χωρίς έναν άνθρωπο στη διαδικασία, η υιοθέτηση της τεχνητής νοημοσύνης μπορεί να επηρεάσει τη συμμόρφωση, την προκατάληψη και την προσαρμογή σε νέες απειλές.

Πιστεύουμε σε μια προσεκτική, υβριδική προσέγγιση στην υιοθέτηση της τεχνητής νοημοσύνης στον χρηματοοικονομικό τομέα, η οποία θα συνεχίσει να απαιτεί ανθρώπινη συμμετοχή.

Η διαφορά μεταξύ των κανόνων-βασισμένων και των AI-κινητών συστημάτων AFC

Παραδοσιακά, τα AFC – και ιδιαίτερα τα συστήματα κατά των πλαισίων για την καταπολέμηση του ξέπλυματος χρημάτων (AML) – έχουν λειτουργήσει με σταθερούς κανόνες που ορίζονται από τις ομάδες συμμόρφωσης ως απάντηση στις κανονιστικές προδιαγραφές. Σε περίπτωση παρακολούθησης συναλλαγών, για παράδειγμα, αυτοί οι κανόνες εφαρμόζονται για να σημάνουν συναλλαγές με βάση συγκεκριμένα προκαθορισμένα κριτήρια, όπως η αξία συναλλαγής ή γεωγραφικοί παράγοντες κινδύνου.

Η τεχνητή νοημοσύνη παρουσιάζει einen νέο τρόπο για την ανίχνευση κινδύνων οικονομικών εγκλημάτων. Τα μοντέλα μηχανικής μάθησης μπορούν να χρησιμοποιηθούν για την ανίχνευση ύποπτων προτύπων με βάση μια σειρά συνόλων δεδομένων που είναι σε συνεχή εξέλιξη. Το σύστημα αναλύει συναλλαγές, ιστορικά δεδομένα, συμπεριφορά πελατών και περιεκτικά δεδομένα για να παρακολουθεί για οτιδήποτε ύποπτο, μαθαίνοντας με την πάροδο του χρόνου, προσφέροντας προσαρμοσμένη και πιθανώς πιο αποτελεσματική παρακολούθηση εγκλημάτων.

Ωστόσο, ενώ τα κανόνων-βασισμένα συστήματα είναι προβλέψιμα και εύκολα ελέγξιμα, τα AI-κίνητα συστήματα εισάγουν ένα σύνθετο “μαύρο κουτί” λόγω αδιαφανών διαδικασιών λήψης αποφάσεων. Είναι πιο δύσκολο να αναζητηθεί η λογική ενός συστήματος AI για την επισήμανση ορισμένων συμπεριφορών ως ύποπτων, δεδομένου ότι τόσο πολλά στοιχεία εμπλέκονται. Αυτό μπορεί να οδηγήσει το σύστημα AI σε ένα συγκεκριμένο συμπέρασμα με βάση ξεπερασμένα κριτήρια ή να παρέχει faktually λανθασμένες πληροφορίες, χωρίς αυτό να είναι αμέσως ανιχνεύσιμο. Μπορεί επίσης να προκαλέσει προβλήματα για τη συμμόρφωση μιας χρηματοοικονομικής ιδρύματος με τις κανονιστικές προδιαγραφές.

Πιθανές κανονιστικές προκλήσεις

Οι χρηματοοικονομικές ιδρύσεις πρέπει να συμμορφώνονται με αυστηρές κανονιστικές προδιαγραφές, όπως η οδηγία AML της ΕΕ και ο νόμος Bank Secrecy Act των ΗΠΑ, οι οποίες απαιτούν σαφείς, αναγνωρίσιμες διαδικασίες λήψης αποφάσεων. Τα συστήματα AI, ιδιαίτερα τα μοντέλα deep learning, μπορούν να είναι δύσκολο να ερμηνευτούν.

Για να διασφαλίσουν την ευθύνη κατά την υιοθέτηση της τεχνητής νοημοσύνης, οι τράπεζες χρειάζονται προσεκτικό σχεδιασμό, πλήρη δοκιμές, ειδικές πλαισια συμμόρφωσης και ανθρώπινη επιτήρηση. Οι άνθρωποι μπορούν να επικυρώσουν αυτοματοποιημένες αποφάσεις, για παράδειγμα, ερμηνεύοντας τη λογική πίσω από μια σημαδεμένη συναλλαγή, καθιστώντας την εξηγήσιμη και αμυντική για τους κανονιστές.

Οι χρηματοοικονομικές ιδρύσεις βρίσκονται επίσης υπό αυξανόμενη πίεση να χρησιμοποιούν Εξηγητή AI (XAI) εργαλεία για να κάνουν τις αποφάσεις AI-κίνητων συστημάτων κατανοητές για τους κανονιστές και ελεγκτές. Η XAI είναι μια διαδικασία που επιτρέπει στους ανθρώπους να κατανοήσουν την έξοδο ενός συστήματος AI και τις υποκείμενες διαδικασίες λήψης αποφάσεων.

Ανθρώπινη κρίση απαραίτητη για ολιστική άποψη

Η υιοθέτηση της τεχνητής νοημοσύνης δεν πρέπει να οδηγήσει σε αυτονομία με αυτοματοποιημένα συστήματα. Οι ανθρώπινοι αναλυτές φέρνουν контέκστ και κρίση που η τεχνητή νοημοσύνη λείπει, επιτρέποντας νюανσικές αποφάσεις σε σύνθετες ή αμφίβολες περιπτώσεις, οι οποίες παραμένουν απαραίτητες στις έρευνες AFC.

Μεταξύ των κινδύνων της εξάρτησης από την τεχνητή νοημοσύνη είναι η πιθανότητα λαθών (π.χ. ψευδείς θετικοί, ψευδείς αρνητικοί) και προκατάληψης. Η τεχνητή νοημοσύνη μπορεί να είναι ευάλωτη σε ψευδείς θετικούς αν τα μοντέλα δεν είναι καλά ρυθμισμένα ή έχουν εκπαιδευτεί σε προκατειλημμένα δεδομένα. Ενώ οι άνθρωποι είναι επίσης ευάλωτοι σε προκατάληψη, ο πρόσθετος κίνδυνος της τεχνητής νοημοσύνης είναι ότι μπορεί να είναι δύσκολο να αναγνωριστεί η προκατάληψη στο σύστημα.

Επιπλέον, τα μοντέλα AI τρέχουν στα δεδομένα που τους παρέχονται – μπορεί να μην πιάσουν νέους ή σπάνιους ύποπτους προτύπους εκτός ιστορικών τάσεων ή με βάση πραγματικές ενημερώσεις. Μια πλήρης αντικατάσταση των κανόνων-βασισμένων συστημάτων με AI θα μπορούσε να αφήσει τυφλά σημεία στην παρακολούθηση AFC.

Στις περιπτώσεις προκατάληψης, αμφιβολίας ή καινοτομίας, η AFC χρειάζεται ένα διακριτικό μάτι που η τεχνητή νοημοσύνη δεν μπορεί να παρέχει. Ταυτόχρονα, αν αφαιρέσουμε τους ανθρώπους από τη διαδικασία, θα μπορούσε να στερήσει nghiêmώς την ικανότητα των ομάδων σας να κατανοήσουν προτύπους στα οικονομικά εγκλήματα, να αναγνωρίσουν προτύπους και να αναγνωρίσουν αναδυόμενες τάσεις. Αυτό με τη σειρά του θα μπορούσε να κάνει πιο δύσκολο να διατηρήσετε τα αυτοματοποιημένα συστήματα ενημερωμένα.

Μια υβριδική προσέγγιση: συνδυάζοντας κανόνων-βασισμένες και AI-κίνητες AFC

Οι χρηματοοικονομικές ιδρύσεις μπορούν να συνδυάσουν μια κανόνων-βασισμένη προσέγγιση με εργαλεία AI για να δημιουργήσουν ένα πολυσχιδές σύστημα που αξιοποιεί τα πλεονεκτήματα και των δύο προσεγγίσεων. Ένα υβριδικό σύστημα θα κάνει την εφαρμογή της τεχνητής νοημοσύνης πιο ακριβή μακροπρόθεσμα και πιο ευέλικτο στην αντιμετώπιση αναδυόμενων απειλών οικονομικών εγκλημάτων, χωρίς να θυσιάζει τη διαφάνεια.

Για να το κάνουν αυτό, οι ιδρύσεις μπορούν να ενσωματώσουν μοντέλα AI με συνεχόμενη ανθρώπινη ανάδραση. Η προσαρμοστική μάθηση των μοντέλων θα αναπτυχθεί,因此, όχι μόνο με βάση τα προτύπων δεδομένων, αλλά και με ανθρώπινη συμμετοχή που το βελτιώνει και επαναρυθμίζει.

Όλα τα συστήματα AI δεν είναι ίσα. Τα μοντέλα AI πρέπει να υποβληθούν σε συνεχείς δοκιμές για να αξιολογηθεί η ακρίβεια, η δίκαιη Behandlung και η συμμόρφωση, με τακτικές ενημερώσεις με βάση τις αλλαγές των κανονιστικών προδιαγραφών και τις νέες απειλές που αναγνωρίζονται από τις ομάδες AFC σας.

Εкспέρτες κινδύνου και συμμόρφωσης πρέπει να εκπαιδευτούν στην τεχνητή νοημοσύνη ή ένας εμπειρός στην τεχνητή νοημοσύνη πρέπει να προσληφθεί στην ομάδα, για να διασφαλιστεί ότι η ανάπτυξη και η εφαρμογή της τεχνητής νοημοσύνης πραγματοποιείται εντός ορισμένων ορίων. Πρέπει επίσης να αναπτύξουν πλαισια συμμόρφωσης ειδικά για την τεχνητή νοημοσύνη, καθιστώντας μια οδό προς τη συμμόρφωση με τις κανονιστικές προδιαγραφές σε einen αναδυόμενο τομέα για τους εμπειρογνώμονες συμμόρφωσης.

Ως μέρος της υιοθέτησης της τεχνητής νοημοσύνης, είναι σημαντικό ότι όλα τα στοιχεία του οργανισμού ενημερωθούν για τις ικανότητες των νέων μοντέλων AI που εργάζονται, αλλά και για τις αδυναμίες τους (όπως η πιθανή προκατάληψη), για να τα κάνουν πιο ευαίσθητα σε πιθανές λάθη.

Ο οργανισμός σας πρέπει επίσης να λάβει άλλες στρατηγικές αποφάσεις για να διατηρήσει την ασφάλεια και την ποιότητα των δεδομένων. Είναι απαραίτητο να επενδύσετε σε υψηλής ποιότητας, ασφαλή υποδομή δεδομένων και να διασφαλίσετε ότι εκπαιδεύονται σε ακριβή και διαφορετικά δεδομένα.

Η τεχνητή νοημοσύνη είναι και θα συνεχίσει να είναι τόσο μια απειλή όσο και ένα αμυντικό εργαλείο για τις τράπεζες. Αλλά πρέπει να χειρίζονται αυτή την ισχυρή νέα τεχνολογία σωστά για να αποφευχθούν προβλήματα αντί να λύσουν.