ΠΝΝ και Πρόληψη Εγκλημάτων Χρηματοοικονομικού Τομέα: Γιατί οι Τράπεζες Χρειάζονται Μια Ισορροπημένη Προσέγγιση

Το ΠΝΝ είναι ένα δίπλωμα για τις τράπεζες: ενώ ανοίγει πολλές δυνατότητες για πιο αποτελεσματικές λειτουργίες, μπορεί επίσης να δημιουργήσει εξωτερικούς και εσωτερικούς κινδύνους.

Οι εγκληματίες του χρηματοοικονομικού τομέα εκμεταλλεύονται την τεχνολογία για να παράγουν βίντεο deepfake, φωνές και ψευδή έγγραφα που μπορούν να περάσουν από υπολογιστές και ανθρώπινη ανίχνευση, ή να ενισχύσουν δραστηριότητες απάτης μέσω email. Μόνο στις Ηνωμένες Πολιτείες, το γεννητικό ΠΝΝ αναμένεται να επιταχύνει τις απώλειες απάτης σε ετήσιο ρυθμό 32%, φτάνοντας τα 40 δισεκατομμύρια δολάρια έως το 2027, σύμφωνα με μια πρόσφατη έκθεση της Deloitte.

Πιθανόν, λοιπόν, η απάντηση από τις τράπεζες πρέπει να είναι να εξοπλιστούν με ακόμη καλύτερα εργαλεία, αξιοποιώντας το ΠΝΝ σε όλες τις προσπάθειες πρόληψης εγκλημάτων του χρηματοοικονομικού τομέα. Οι χρηματοοικονομικές ιδρύσεις αρχίζουν πραγματικά να αναπτύσσουν το ΠΝΝ σε προσπάθειες κατά του εγκλήματος (AFC) – για να παρακολουθούν συναλλαγές, να παράγουν αναφορές υποπτών δραστηριοτήτων, 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 του ΠΝΝ με ανθρώπινη κρίση. Χωρίς έναν άνθρωπο στη διαδικασία, η υιοθέτηση του ΠΝΝ μπορεί να επηρεάσει τη συμμόρφωση, την προκατάληψη και την προσαρμογή σε νέες απειλές.

Πιστεύουμε σε μια προσεκτική, υβριδική προσέγγιση στην υιοθέτηση του ΠΝΝ στον χρηματοοικονομικό τομέα, η οποία θα συνεχίσει να απαιτεί ανθρώπινη εισροή.

Η διαφορά μεταξύ συστημάτων AFC βασισμένων σε κανόνες και συστημάτων ΠΝΝ

Παραδοσιακά, τα AFC – και ιδιαίτερα τα συστήματα κατά της πλύσης χρημάτων (AML) – λειτουργούσαν με σταθερούς κανόνες που ορίστηκαν από τις ομάδες συμμόρφωσης ως απάντηση σε κανονισμούς. Σε περίπτωση παρακολούθησης συναλλαγών, για παράδειγμα, αυτοί οι κανόνες εφαρμόζονται για να σημάνουν συναλλαγές με βάση συγκεκριμένα προκαθορισμένα κριτήρια, όπως κατώτατα όρια ποσών συναλλαγών ή γεωγραφικοί παράγοντες κινδύνου.

Το ΠΝΝ παρουσιάζει einen νέο τρόπο για τον έλεγχο του κινδύνου εγκλήματος. Τα μοντέλα μηχανικής μάθησης μπορούν να χρησιμοποιηθούν για την ανίχνευση υποπτών μοτίβων με βάση μια σειρά συνόλων δεδομένων που βρίσκονται σε συνεχή εξέλιξη. Το σύστημα αναλύει συναλλαγές, ιστορικά δεδομένα, συμπεριφορά πελατών και δεδομένα περιβάλλοντος για να παρακολουθεί τυχόν υποπτά δραστηριότητες, μαθαίνοντας με την πάροδο του χρόνου, προσφέροντας προσαρμοστική και πιθανώς πιο αποτελεσματική παρακολούθηση εγκλήματος.

Ωστόσο, ενώ τα συστήματα βασισμένα σε κανόνες είναι προβλέψιμα και εύκολα ελέγξιμα, τα συστήματα ΠΝΝ εισάγουν ένα σύνθετο “μαύρο κουτί” λόγω αδιαφανών διαδικασιών λήψης αποφάσεων. Είναι πιο δύσκολο να ανιχνευθεί το λόγο για τον οποίο ένα σύστημα ΠΝΝ σημάνει某 δραστηριότητα ως υποπτή, δεδομένου ότι εμπλέκονται πολλά στοιχεία. Αυτό μπορεί να οδηγήσει το ΠΝΝ σε ένα συγκεκριμένο συμπέρασμα με βάση ξεπερασμένα κριτήρια, ή να παρέχει εμπειρικές και λανθασμένες εντυπώσεις, χωρίς αυτό να είναι αμέσως ανιχνεύσιμο. Μπορεί επίσης να προκαλέσει προβλήματα για τη συμμόρφωση των χρηματοοικονομικών ιδρυμάτων.

Πιθανές προκλήσεις κανονισμών

Οι χρηματοοικονομικές ιδρύσεις πρέπει να συμμορφώνονται με αυστηρούς κανονισμούς, όπως η οδηγία AMLD της ΕΕ και ο Νόμος για τη Μυστικότητα των Τραπεζών των ΗΠΑ, οι οποίοι απαιτούν σαφείς, ανιχνεύσιμες διαδικασίες λήψης αποφάσεων. Τα συστήματα ΠΝΝ, ιδιαίτερα τα μοντέλα βαθιάς μάθησης, μπορούν να είναι δύσκολο να ερμηνευτούν.

Για να διασφαλίσουν την ευθύνη κατά την υιοθέτηση του ΠΝΝ, οι τράπεζες χρειάζονται προσεκτικό σχεδιασμό, πλήρη δοκιμή, εξειδικευμένα πλαίσια συμμόρφωσης και ανθρώπινη εποπτεία. Οι άνθρωποι μπορούν να επικυρώσουν αυτοματοποιημένες αποφάσεις, για παράδειγμα, ερμηνεύοντας τον λόγο για τον οποίο μια συναλλαγή σημάνθηκε, καθιστώντας την εξηγήσιμη και αμυντική για τους κανονιστές.

Οι χρηματοοικονομικές ιδρύσεις βρίσκονται επίσης υπό αυξανόμενη πίεση να χρησιμοποιούν Εξηγήσιμο ΠΝΝ (XAI) εργαλεία για να κάνουν τις αποφάσεις ΠΝΝ κατανοητές στους κανονιστές και ελεγκτές. Το XAI είναι μια διαδικασία που επιτρέπει στους ανθρώπους να κατανοήσουν την έξοδο ενός συστήματος ΠΝΝ και τις υποκείμενες διαδικασίες λήψης αποφάσεων.

Ανθρώπινη κρίση απαιτείται για ολιστική άποψη

Η υιοθέτηση του ΠΝΝ δεν μπορεί να οδηγήσει σε αυτονομία με αυτοματοποιημένα συστήματα. Οι ανθρώπινοι αναλυτές φέρνουν контέκστ και κρίση που το ΠΝΝ λείπει, επιτρέποντας νουμερική λήψη αποφάσεων σε σύνθετες ή αμφίβολες περιπτώσεις, η οποία παραμένει απαραίτητη στις έρευνες AFC.

Μέσα στα рисks της εξάρτησης από το ΠΝΝ είναι η πιθανότητα σφαλμάτων (π.χ. ψευδείς θετικοί, ψευδείς αρνητικοί) και προκατάληψης. Το ΠΝΝ μπορεί να είναι ευάλωτο 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 του ΠΝΝ είναι ότι μπορεί να είναι δύσκολο να αναγνωριστεί η προκατάληψη στο σύστημα.

Επιπλέον, τα μοντέλα ΠΝΝ λειτουργούν με τα δεδομένα που τους παρέχονται – μπορεί να μην πιάσουν νέους ή σπάνιους υποπτούς μοτίβους εκτός ιστορικών τάσεων, ή με βάση πραγματικές γνώσεις. Μια πλήρης αντικατάσταση των συστημάτων βασισμένων σε κανόνες με ΠΝΝ θα μπορούσε να αφήσει τυφλά σημεία στην παρακολούθηση AFC.

Στις περιπτώσεις προκατάληψης, αμφιβολίας ή καινοτομίας, το AFC χρειάζεται ένα διακρινόμενο μάτι που το ΠΝΝ δεν μπορεί να προσφέρει. Ταυτόχρονα, αν αφαιρέσουμε τους ανθρώπους από τη διαδικασία, αυτό θα μπορούσε να μειώσει nghiêmώς την ικανότητα των ομάδων σας να κατανοήσουν μοτίβα εγκλήματος, να αναγνωρίσουν μοτίβα και να ανακαλύψουν αναδυόμενες τάσεις. Αυτό, με τη σειρά του, θα μπορούσε να κάνει πιο δύσκολο να διατηρήσετε τα αυτοματοποιημένα συστήματα ενημερωμένα.

Μια υβριδική προσέγγιση: συνδυασμός συστημάτων AFC βασισμένων σε κανόνες και συστημάτων ΠΝΝ

Οι χρηματοοικονομικές ιδρύσεις μπορούν να συνδυάσουν μια προσέγγιση βασισμένη σε κανόνες με εργαλεία ΠΝΝ για να δημιουργήσουν ένα πολυσχιδές σύστημα που αξιοποιεί τα πλεονεκτήματα και των δύο προσεγγίσεων. Ένα υβριδικό σύστημα θα κάνει την εφαρμογή του ΠΝΝ πιο ακριβή στο μακρότερο χρονικό διάστημα και πιο ευέλικτο στην αντιμετώπιση αναδυόμενων απειλών εγκλήματος, χωρίς να θυσιάζει τη διαφάνεια.

Για να το κάνουν αυτό, οι ιδρύσεις μπορούν να ενσωματώσουν μοντέλα ΠΝΝ με συνεχόμενη ανθρώπινη ανάδραση. Η προσαρμοστική μάθηση των μοντέλων θα αναπτύσσεται,因此, όχι μόνο με βάση τα μοτίβα δεδομένων, αλλά και με βάση την ανθρώπινη εισροή που το ρυθμίζει και το επαναρυθμίζει.

Όχι όλα τα συστήματα ΠΝΝ είναι ίσα. Τα μοντέλα ΠΝΝ πρέπει να υποβληθούν σε συνεχείς δοκιμές για να αξιολογηθεί η ακρίβεια, η δικαιοσύνη και η συμμόρφωση, με τακτικές ενημερώσεις με βάση τις αλλαγές κανονισμών και τις νέες πληροφορίες απειλών, όπως αναγνωρίζονται από τις ομάδες AFC.

Εкспέρτες κινδύνου και συμμόρφωσης πρέπει να εκπαιδευτούν στο ΠΝΝ, ή ένας εμπειρός ΠΝΝ πρέπει να προσληφθεί στην ομάδα, για να διασφαλιστεί ότι η ανάπτυξη και η ανάπτυξη του ΠΝΝ εκτελούνται εντός ορισμένων ορίων. Επίσης, πρέπει να αναπτύξουν πλαίσια συμμόρφωσης ειδικά για το ΠΝΝ, καθιστώντας μια οδό για τη συμμόρφωση με τους κανονισμούς σε einen αναδυόμενο τομέα για τους εμπειρογνώμονες συμμόρφωσης.

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

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

Το ΠΝΝ είναι και θα συνεχίσει να είναι τόσο μια απειλή όσο και ένα αμυντικό εργαλείο για τις τράπεζες. Αλλά πρέπει να χειριστούν αυτή τη νέα ισχυρή τεχνολογία σωστά για να αποφευχθούν προβλήματα αντί να λυθούν.