आर्टिफ़िशियल इंटेलिजेंस और वित्तीय अपराध निवारण: बैंकों को संतुलित दृष्टिकोण की आवश्यकता क्यों है

आर्टिफ़िशियल इंटेलिजेंस बैंकों के लिए एक दो-तरफ़ा सिक्का है: जबकि यह अधिक कुशल संचालन के लिए कई संभावनाओं को अनलॉक कर रहा है, यह बाहरी और आंतरिक जोखिम भी पैदा कर सकता है।

वित्तीय अपराधी इस प्रौद्योगिकी का लाभ उठाकर डीपफ़ेक वीडियो, आवाज़ और नकली दस्तावेज़ बना रहे हैं जो कंप्यूटर और मानव पता लगाने से बच सकते हैं, या ईमेल धोखाधड़ी गतिविधियों को बढ़ावा देने के लिए। संयुक्त राज्य अमेरिका में, जनरेटिव आर्टिफ़िशियल इंटेलिजेंस के कारण 2027 तक वार्षिक वृद्धि दर 32% तक पहुंचने और 40 अरब डॉलर तक पहुंचने की उम्मीद है, डेलॉइट की एक हालिया रिपोर्ट के अनुसार।

शायद, इसलिए, बैंकों की प्रतिक्रिया यह होनी चाहिए कि वे खुद को बेहतर उपकरणों से लैस करें, वित्तीय अपराध निवारण में आर्टिफ़िशियल इंटेलिजेंस का लाभ उठाएं। वित्तीय संस्थान वास्तव में वित्तीय अपराध विरोधी (एफसी) प्रयासों में आर्टिफ़िशियल इंटेलिजेंस को तैनात करना शुरू कर रहे हैं – लेनदेन की निगरानी करने, संदिग्ध गतिविधि रिपोर्ट उत्पन्न करने, धोखाधड़ी का पता लगाने को स्वचालित करने और अधिक। इनमें प्रक्रियाओं को तेज करने और सटीकता बढ़ाने की क्षमता है।

मुद्दा तब होता है जब बैंक मानव निर्णय के साथ आर्टिफ़िशियल इंटेलिजेंस के कार्यान्वयन को संतुलित नहीं करते हैं। मानव के बिना, आर्टिफ़िशियल इंटेलिजेंस का कार्यान्वयन अनुपालन, पूर्वाग्रह और नए खतरों के प्रति अनुकूलन को प्रभावित कर सकता है।

हम वित्तीय क्षेत्र में आर्टिफ़िशियल इंटेलिजेंस के कार्यान्वयन के लिए एक सावधान, हाइब्रिड दृष्टिकोण में विश्वास करते हैं, जिसमें मानव इनपुट की आवश्यकता होगी।

नियम-आधारित और आर्टिफ़िशियल इंटेलिजेंस-चालित एफसी प्रणालियों के बीच अंतर

पारंपरिक रूप से, एफसी – और विशेष रूप से एंटी-मनी लॉन्डरिंग (एएमएल) प्रणालियों – ने नियमों के साथ काम किया है जो अनुपालन टीमों द्वारा नियमों के अनुसार निर्धारित किए गए हैं। लेन-देन निगरानी के मामले में, उदाहरण के लिए, ये नियम विशिष्ट पूर्व-निर्धारित मानदंडों के आधार पर लेन-देन को झंडा दिखाने के लिए लागू किए जाते हैं, जैसे कि लेन-देन राशि की सीमा या भौगोलिक जोखिम कारक।

आर्टिफ़िशियल इंटेलिजेंस वित्तीय अपराध जोखिम की जांच के लिए एक नया तरीका प्रस्तुत करता है। मशीन लर्निंग मॉडल का उपयोग संदिग्ध पैटर्न का पता लगाने के लिए किया जा सकता है जो एक श्रृंखला के डेटासेट पर आधारित होते हैं जो निरंतर विकास के अधीन होते हैं। प्रणाली लेन-देन, ऐतिहासिक डेटा, ग्राहक व्यवहार और संदर्भ डेटा का विश्लेषण करती है ताकि किसी भी संदिग्ध गतिविधि की निगरानी की जा सके, और समय के साथ सीखती है, जो अनुकूल और अधिक प्रभावी अपराध निगरानी प्रदान करती है।

हालांकि, जबकि नियम-आधारित प्रणालियां पredictable और आसानी से auditable होती हैं, आर्टिफ़िशियल इंटेलिजेंस-चालित प्रणालियां एक जटिल “ब्लैक बॉक्स” तत्व पेश करती हैं जो अपारदर्शी निर्णय लेने की प्रक्रियाओं के कारण होती हैं। यह जानना मुश्किल हो जाता है कि आर्टिफ़िशियल इंटेलिजेंस प्रणाली किसी विशिष्ट व्यवहार को संदिग्ध के रूप में झंडा दिखाने के लिए किसी निश्चित निष्कर्ष पर क्यों पहुंचती है, क्योंकि इसमें इतने सारे तत्व शामिल होते हैं। यह देखा जा सकता है कि आर्टिफ़िशियल इंटेलिजेंस प्रणाली पुराने मानदंडों के आधार पर किसी निश्चित निष्कर्ष पर पहुंचती है, या तथ्यात्मक रूप से गलत अंतर्दृष्टि प्रदान करती है, जो तुरंत पता लगाने योग्य नहीं है। यह एक वित्तीय संस्थान के नियामक अनुपालन के लिए समस्याएं पैदा कर सकता है।

संभावित नियामक चुनौतियां

वित्तीय संस्थानों को सख्त नियामक मानकों का पालन करना होता है, जैसे कि यूरोपीय संघ के एएमएलडी और संयुक्त राज्य अमेरिका के बैंक गोपनीयता अधिनियम, जो स्पष्ट, ट्रेस करने योग्य निर्णय लेने की प्रक्रिया को निर्धारित करते हैं। आर्टिफ़िशियल इंटेलिजेंस प्रणालियां, विशेष रूप से गहरे शिक्षण मॉडल, व्याख्या करना मुश्किल हो सकता है।

आर्टिफ़िशियल इंटेलिजेंस को अपनाने के लिए जिम्मेदारी सुनिश्चित करने के लिए, बैंकों को सावधानीपूर्वक योजना, व्यापक परीक्षण, विशेषज्ञ अनुपालन ढांचे और मानव पर्यवेक्षण की आवश्यकता होती है। मानव स्वचालित निर्णयों को मान्य कर सकते हैं, उदाहरण के लिए, एक झंडा दिखाए गए लेन-देन के पीछे के तर्क की व्याख्या करके, इसे स्पष्ट और नियामकों के लिए रक्षात्मक बना सकते हैं।

वित्तीय संस्थानों पर भी बढ़ते दबाव है कि वे व्याख्या योग्य आर्टिफ़िशियल इंटेलिजेंस (एक्सएआई) टूल्स का उपयोग करके आर्टिफ़िशियल इंटेलिजेंस-चालित निर्णयों को नियामकों और ऑडिटरों के लिए समझने योग्य बनाएं। एक्सएआई एक प्रक्रिया है जो मानवों को आर्टिफ़िशियल इंटेलिजेंस प्रणाली के आउटपुट और इसके अंतर्निहित निर्णय लेने की प्रक्रिया को समझने में सक्षम बनाती है।

संपूर्ण दृष्टिकोण के लिए मानव निर्णय की आवश्यकता

आर्टिफ़िशियल इंटेलिजेंस को अपनाने से स्वचालित प्रणालियों के साथ संतुष्टि नहीं होनी चाहिए। मानव विश्लेषक संदर्भ और निर्णय लेने की क्षमता लाते हैं जो आर्टिफ़िशियल इंटेलिजेंस में कमी है, जो जटिल या अस्पष्ट मामलों में निर्णय लेने के लिए आवश्यक है, जो एफसी जांच में अभी भी आवश्यक है।

आर्टिफ़िशियल इंटेलिजेंस पर निर्भरता के जोखिमों में त्रुटियों (जैसे कि झूठे सकारात्मक, झूठे नकारात्मक) और पूर्वाग्रह की संभावना शामिल है। आर्टिफ़िशियल इंटेलिजेंस मॉडल झूठे सकारात्मक परिणाम दे सकते हैं यदि मॉडल अच्छी तरह से ट्यून नहीं किए गए हैं या पूर्वाग्रहपूर्ण डेटा पर प्रशिक्षित हैं। जबकि मानव भी पूर्वाग्रह के लिए संवेदनशील हो सकते हैं, आर्टिफ़िशियल इंटेलिजेंस का जोखिम यह है कि यह प्रणाली में पूर्वाग्रह की पहचान करना मुश्किल हो सकता है।

इसके अलावा, आर्टिफ़िशियल इंटेलिजेंस मॉडल उस डेटा पर चलते हैं जो उन्हें खिलाया जाता है – वे ऐतिहासिक रुझानों के बाहर नए या दुर्लभ संदिग्ध पैटर्न को पकड़ नहीं सकते हैं, या वास्तविक दुनिया के अंतर्दृष्टि पर आधारित हैं। नियम-आधारित प्रणालियों के साथ आर्टिफ़िशियल इंटेलिजेंस प्रणालियों का पूर्ण प्रतिस्थापन एफसी निगरानी में अंधे धब्बे छोड़ सकता है।

पूर्वाग्रह, अस्पष्टता या नई चीजों के मामले में, एफसी को एक विवेकपूर्ण आंख की आवश्यकता होती है जो आर्टिफ़िशियल इंटेलिजेंस प्रदान नहीं कर सकती है। उसी समय, यदि हम प्रक्रिया से मानवों को हटा दें, तो यह आपकी टीमों की क्षमता को प्रभावित कर सकता है कि वे वित्तीय अपराध में पैटर्न को समझें, पैटर्न को स्पॉट करें और उभरते रुझानों की पहचान करें। इसके परिणामस्वरूप, यह स्वचालित प्रणालियों को अद्यतन रखना मुश्किल हो सकता है।

एक हाइब्रिड दृष्टिकोण: नियम-आधारित और आर्टिफ़िशियल इंटेलिजेंस-चालित एफसी को मिलाना

वित्तीय संस्थान नियम-आधारित दृष्टिकोण के साथ आर्टिफ़िशियल इंटेलिजेंस टूल्स को मिलाकर एक बहुस्तरीय प्रणाली बना सकते हैं जो दोनों दृष्टिकोणों की ताकत का लाभ उठाती है। एक हाइब्रिड प्रणाली आर्टिफ़िशियल इंटेलिजेंस को लंबे समय में अधिक सटीक बना देगी, और उभरते वित्तीय अपराध खतरों का सामना करने में अधिक लचीली होगी, बिना पारदर्शिता को त्यागे।

इसके लिए, संस्थान आर्टिफ़िशियल इंटेलिजेंस मॉडल को चल रहे मानव प्रतिक्रिया के साथ एकीकृत कर सकते हैं। मॉडल की अनुकूली सीखने की प्रक्रिया न केवल डेटा पैटर्न पर आधारित होगी, बल्कि मानव इनपुट पर भी जो इसे परिष्कृत और पुनः संतुलित करता है।

सभी आर्टिफ़िशियल इंटेलिजेंस प्रणालियां समान नहीं हैं। आर्टिफ़िशियल इंटेलिजेंस मॉडल को निरंतर परीक्षण के अधीन किया जाना चाहिए ताकि सटीकता, निष्पक्षता और अनुपालन का मूल्यांकन किया जा सके, और नियामक परिवर्तनों और नए खतरे की खुफिया जानकारी के आधार पर नियमित अपडेट किए जा सकें।

जोखिम और अनुपालन विशेषज्ञों को आर्टिफ़िशियल इंटेलिजेंस में प्रशिक्षित किया जाना चाहिए, या एक आर्टिफ़िशियल इंटेलिजेंस विशेषज्ञ को टीम में नियुक्त किया जाना चाहिए, ताकि यह सुनिश्चित किया जा सके कि आर्टिफ़िशियल इंटेलिजेंस का विकास और तैनाती निश्चित सीमाओं के भीतर किया जाता है। उन्हें आर्टिफ़िशियल इंटेलिजेंस के लिए विशिष्ट अनुपालन ढांचे विकसित करने चाहिए, जो नियामक अनुपालन के लिए एक मार्ग प्रदान करते हैं।

आर्टिफ़िशियल इंटेलिजेंस को अपनाने के हिस्से के रूप में, यह महत्वपूर्ण है कि संगठन के सभी तत्वों को नए आर्टिफ़िशियल इंटेलिजेंस मॉडल की क्षमताओं के बारे में सूचित किया जाए जिनके साथ वे काम कर रहे हैं, लेकिन साथ ही उनकी कमियों (जैसे कि संभावित पूर्वाग्रह) के बारे में भी, ताकि वे संभावित त्रुटियों के प्रति अधिक संवेदनशील हों।

आपका संगठन भी सुरक्षा और डेटा गुणवत्ता को बनाए रखने के लिए अन्य रणनीतिक विचारों को सुनिश्चित करना चाहिए। उच्च-गुणवत्ता, सुरक्षित डेटा बुनियादी ढांचे में निवेश करना और यह सुनिश्चित करना आवश्यक है कि वे सटीक और विविध डेटासेट पर प्रशिक्षित हैं।

आर्टिफ़िशियल इंटेलिजेंस बैंकों के लिए एक खतरा और एक रक्षात्मक उपकरण दोनों होगा। लेकिन उन्हें इस शक्तिशाली नई प्रौद्योगिकी को सही तरीके से संभालने की आवश्यकता है ताकि वे समस्याएं पैदा न करें बल्कि समाधान प्रदान करें।