AI og forebygging av finansiell kriminalitet: Hvorfor banker trenger en balansert tilnærming

AI er en tosidig mynt for banker: mens det åpner opp for mange muligheter for mer effektive operasjoner, kan det også utgjøre eksterne og interne risikoer.

Finansielle kriminelle utnytter teknologien til å produsere deepfake-videor, stemmer og falske dokumenter som kan gå ubemerket forbi datamaskiner og menneskelig deteksjon, eller til å akselerere e-postsvindelaktiviteter. I USA alene forventes generativ AI å akselerere svindeltap til en årlig vekstrate på 32%, og nå 40 milliarder dollar i 2027, ifølge en nylig rapport fra Deloitte.

Kanskje svaret fra bankene bør være å utruste seg med enda bedre verktøy, og utnytte AI i forebygging av finansiell kriminalitet. Finansielle institusjoner begynner faktisk å deployere AI i anti-finansiell kriminalitet (AFC)-innsats – for å overvåke transaksjoner, generere mistenkte aktivitetrapporter, automatisere svindeldeteksjon og mer. Disse har potensialet til å akselerere prosesser samtidig som nøyaktigheten økes.

Problemets årsak er når banker ikke balanserer implementeringen av AI med menneskelig dømmekraft. Uten en menneskelig faktor kan AI-tilpasningen påvirke overholdelse, bias og tilpasning til nye trusler.

Vi tror på en forsiktig, hybridtilnærming til AI-tilpasning i den finansielle sektoren, en som vil fortsette å kreve menneskelig innsats.

Forskjellen mellom regelbaserte og AI-drevne AFC-systemer

Tradisjonelt har AFC – og spesielt anti-pengetvettssystemer (AML) – operert med faste regler satt av overholdelseslag i respons til reguleringer. I tilfelle overvåking av transaksjoner er disse reglene implementert for å flagge transaksjoner basert på bestemte forhåndsdefinerte kriterier, som transaksjonsbeløpstrøskler eller geografiske risikofaktorer.

AI presenterer en ny måte å skanne for finansiell kriminalitetrisiko. Maskinlæringsmodeller kan brukes til å detektere mistenkte mønster basert på en rekke datasett som er i konstant utvikling. Systemet analyserer transaksjoner, historiske data, kundeatferd og kontekstdatabasen for å overvåke for alt som er mistenkt, samtidig som det lærer over tid, og tilbyr adaptiv og potensielt mer effektiv kriminalitetsovervåking.

Men mens regelbaserte systemer er forutsigbare og lett gjenkjennelige, introduserer AI-drevne systemer et komplekst “svart boks”-element på grunn av uklare beslutningsprosesser. Det er vanskeligere å spore en AI-systems begrunnelse for å flagge bestemt atferd som mistenkt, ettersom så mange elementer er involvert. Dette kan se AI nå en bestemt konklusjon basert på foreldede kriterier, eller gi faktisk feilaktige innsikter, uten at dette er umiddelbart gjenkjennelig. Det kan også forårsake problemer for en finansiell institusjons overholdelse av reguleringer.

Mulige regulatoriske utfordringer

Finansielle institusjoner må overholde strenge regulatoriske standarder, som EU-s AMLD og USAs Bank Secrecy Act, som pålegger klare, sporbare beslutninger. AI-systemer, spesielt dyptlæringsmodeller, kan være vanskelige å tolke.

For å sikre ansvar mens AI blir tatt i bruk, trenger bankene omhyggelig planlegging, grundig testing, spesialiserte overholdelsesrammer og menneskelig tilsyn. Mennesker kan validere automatiske beslutninger ved å tolke begrunnelsen bak en flagget transaksjon, og gjøre den forklarlig og forsvarlig for regulatorer.

Finansielle institusjoner er også under økende press for å bruke Explainable AI (XAI)-verktøy for å gjøre AI-drevne beslutninger forståelige for regulatorer og revisorer. XAI er en prosess som gjør det mulig for mennesker å forstå utgangen av et AI-system og dens underliggende beslutningsprosess.

Menneskelig dømmekraft kreves for en helhetlig visjon

Tilpasning av AI kan ikke føre til selvtilfredshet med automatiserte systemer. Menneskelige analytikere bringer kontekst og dømmekraft som AI mangler, og tillater nuansert beslutningstaking i komplekse eller tvetydige saker, som fortsatt er essensiell i AFC-etterforskninger.

Blant risikoene ved avhengighet av AI er muligheten for feil (f.eks. falske positiver, falske negativer) og bias. AI kan være utsatt for falske positiver hvis modellene ikke er godt justert, eller er trent på forvrengede data. Mens mennesker også er utsatt for bias, er den ekstra risikoen med AI at det kan være vanskelig å identifisere bias innenfor systemet.

Fortsatt kan AI-modeller kjøre på dataene som mates inn i dem – de kan ikke fange nye eller sjeldne mistenkte mønster utenfor historiske trender, eller basert på virkelige verdensinnsikter. En fullstendig erstattelse av regelbaserte systemer med AI kunne etterlate blinde flekker i AFC-overvåking.

I tilfeller med bias, tvetydighet eller nyskapning, trenger AFC en diskriminerende øye som AI ikke kan tilby. Samtidig, hvis vi fjerner mennesker fra prosessen, kunne det alvorlig hemme evnen til å forstå mønster i finansiell kriminalitet, å spore mønster og å identifisere nye trender. Dette kunne igjen gjøre det vanskeligere å holde automatiserte systemer oppdatert.

En hybridtilnærming: kombinere regelbaserte og AI-drevne AFC

Finansielle institusjoner kan kombinere en regelbasert tilnærming med AI-verktøy for å skape et flerskiktet system som utnytter styrkene i begge tilnæringene. Et hybrid-system vil gjøre AI-implementeringen mer nøyaktig på lengre sikt, og mer fleksibel i å håndtere nye finansielle kriminalitets-trusler, uten å ofre transparens.

For å gjøre dette, kan institusjoner integrere AI-modeller med kontinuerlig menneskelig tilbakemelding. Modellenes adaptive læring ville derfor ikke bare vokse basert på datapunkt, men også på menneskelig innsats som finjusterer og gjenbalanserer det.

Ikke alle AI-systemer er like. AI-modeller bør gjennomgå kontinuerlig testing for å evaluere nøyaktighet, rettferdighet og overholdelse, med regelmessige oppdateringer basert på regulatoriske endringer og nye trusler som identifiseres av AFC-lagene.

Risiko- og overholdelsesekspertene må være trent i AI, eller en AI-ekspert må bli ansatt i laget, for å sikre at AI-utvikling og -implementering utføres innenfor bestemte rammer. De må også utvikle overholdelsesrammer spesifikt for AI, og etablere en vei til regulatorisk overholdelse i en ny sektor for overholdelsesekspertene.

Som en del av AI-tilpasningen er det viktig at alle deler av organisasjonen blir briefet om kapasiteten til de nye AI-modellene de arbeider med, men også deres svakheter (slik som potensiell bias), for å gjøre dem mer perceptive til potensielle feil.

Organisasjonen må også gjøre visse strategiske overveielser for å bevare sikkerhet og datakvalitet. Det er essensielt å investere i høykvalitets-, sikker data-infrastruktur og sikre at de er trent på nøyaktige og diverse datasett.

AI er og vil fortsette å være både en trussel og et forsvarverktøy for banker. Men de må håndtere denne kraftfulle nye teknologien riktig for å unngå å skape problemer i stedet for å løse dem.