Sztuczna inteligencja i zapobieganie przestępczości finansowej: Dlaczego banki potrzebują zbalansowanego podejścia

Sztuczna inteligencja jest dwustronną monetą dla banków: podczas gdy otwiera wiele możliwości dla bardziej efektywnych operacji, może również stanowić zewnętrzne i wewnętrzne ryzyko.

Przestępcy finansowi wykorzystują tę technologię do tworzenia filmów deepfake, głosów i fałszywych dokumentów, które mogą ominąć wykrywanie komputerowe i ludzkie, lub nasilić działania oszustw za pomocą poczty elektronicznej. W samych Stanach Zjednoczonych generatywna sztuczna inteligencja ma przyspieszyć straty z powodu oszustw do tempa wzrostu 32% rocznie, sięgając 40 miliardów dolarów do 2027 roku, według raportu Deloitte.

Może więc odpowiedzią banków powinno być uzbrojenie się w jeszcze lepsze narzędzia, wykorzystując sztuczną inteligencję w zapobieganiu przestępczości finansowej. Instytucje finansowe zaczynają wdrażać sztuczną inteligencję w działaniach przeciwko przestępczości finansowej – w celu monitorowania transakcji, generowania raportów o podejrzanych działaniach, automatyzowania wykrywania oszustw i więcej. Mogą one przyspieszyć procesy, zwiększając jednocześnie dokładność.

Problem pojawia się, gdy banki nie balansują wdrożenia sztucznej inteligencji z ludzkim osądem. Bez człowieka w pętli, wdrożenie sztucznej inteligencji może wpłynąć na zgodność, stronniczość i adaptację do nowych zagrożeń.

Wierzymy w ostrożne, hybrydowe podejście do wdrożenia sztucznej inteligencji w sektorze finansowym, które nadal będzie wymagać ludzkiej interwencji.

Różnica między systemami AFC opartymi na regułach a napędzanymi przez sztuczną inteligencję

Tradycyjnie, AFC – a w szczególności systemy przeciwko praniu brudnych pieniędzy (AML) – działały z ustalonymi regułami ustalonymi przez zespoły compliance w odpowiedzi na przepisy. W przypadku monitorowania transakcji, na przykład, te reguły są wdrażane w celu oznaczenia transakcji na podstawie określonych, predefiniowanych kryteriów, takich jak progi kwot transakcji lub czynniki ryzyka geograficznego.

Sztuczna inteligencja przedstawia nowy sposób przesiewania ryzyka przestępczości finansowej. Modele uczenia maszynowego mogą być wykorzystywane do wykrywania podejrzanych wzorców na podstawie serii zestawów danych, które są w ciągłej ewolucji. System analizuje transakcje, dane historyczne, zachowania klientów i dane kontekstowe, aby monitorować podejrzane działania, ucząc się w czasie i oferując adaptacyjne i potencjalnie bardziej skuteczne monitorowanie przestępczości.

Jednakże, podczas gdy systemy oparte na regułach są przewidywalne i łatwe do audytu, systemy napędzane przez sztuczną inteligencję wprowadzają złożony element “czarnej skrzynki” ze względu na nieprzezroczyste procesy podejmowania decyzji. Trudno śledzić, dlaczego system sztucznej inteligencji oznaczył określone zachowanie jako podejrzane, biorąc pod uwagę, że zaangażowanych jest tak wiele elementów. Może to spowodować, że system sztucznej inteligencji dochodzi do pewnych wniosków na podstawie przestarzałych kryteriów lub dostarcza faktograficznie niepoprawnych informacji, bez tego, że byłoby to natychmiast widoczne. Może to również powodować problemy dla zgodności instytucji finansowych z przepisami.

Mogące wystąpić wyzwania regulacyjne

Instytucje finansowe muszą przestrzegać surowych standardów regulacyjnych, takich jak dyrektywa Unii Europejskiej AML i amerykański Bank Secrecy Act, które nakazują jasne, śledzone podejmowanie decyzji. Systemy sztucznej inteligencji, zwłaszcza modele głębokiego uczenia, mogą być trudne do interpretacji.

Aby zapewnić odpowiedzialność podczas wdrożenia sztucznej inteligencji, banki potrzebują starannego planowania, gruntownego testowania, specjalistycznych ram compliance i nadzoru ludzkiego. Ludzie mogą potwierdzić zautomatyzowane decyzje, interpretując na przykład powody, dla których transakcja została oznaczona, czyniąc ją wyjaśnialną i obronioną przed regulatorami.

Instytucje finansowe są również pod coraz większą presją, aby wykorzystywać wyjaśnialną sztuczną inteligencję (XAI), aby uczynić decyzje podejmowane przez sztuczną inteligencję zrozumiałymi dla regulatorów i audytorów. XAI jest procesem, który umożliwia ludziom zrozumienie danych wyjściowych systemu sztucznej inteligencji i jego podstawowych procesów podejmowania decyzji.

Wymóg ludzkiej oceny dla holistycznego widoku

Przyjęcie sztucznej inteligencji nie może prowadzić do samozadowolenia z zautomatyzowanych systemów. Analitycy ludzcy przynoszą kontekst i ocenę, których sztuczna inteligencja nie posiada, umożliwiając nuansowane podejmowanie decyzji w skomplikowanych lub niejasnych przypadkach, co pozostaje niezbędne w dochodzeniach dotyczących przestępczości finansowej.

Wśród ryzyk związanych z zależnością od sztucznej inteligencji jest możliwość błędów (np. fałszywe pozytywy, fałszywe negatywy) i stronniczości. Sztuczna inteligencja może być podatna na fałszywe pozytywy, jeśli modele nie są dobrze dostosowane lub są szkolone na stronniczych danych. Chociaż ludzie również są podatni na stronniczość, dodatkowe ryzyko sztucznej inteligencji polega na tym, że może być trudno zidentyfikować stronniczość w systemie.

Ponadto, modele sztucznej inteligencji działają na danych, które są im podawane – mogą nie wykryć nowych lub rzadkich podejrzanych wzorców poza historycznymi trendami lub opartymi na rzeczywistych wglądach. Pełna zamiana systemów opartych na regułach na sztuczną inteligencję mogłaby pozostawić słabości w monitorowaniu przestępczości finansowej.

W przypadku stronniczości, niejasności lub nowości, AFC potrzebuje dyskernego oka, którego sztuczna inteligencja nie może dostarczyć. Jednocześnie, jeśli usunięto by ludzi z procesu, mogłoby to poważnie osłabić zdolność zespołów do zrozumienia wzorców przestępczości finansowej, wykrywania wzorców i identyfikowania pojawiających się trendów. Mogłoby to z kolei utrudnić utrzymanie zautomatyzowanych systemów na bieżąco.

Podejście hybrydowe: łączenie systemów opartych na regułach i napędzanych przez sztuczną inteligencję

Instytucje finansowe mogą połączyć podejście oparte na regułach z narzędziami sztucznej inteligencji, tworząc wielowarstwowy system, który wykorzystuje zalety obu podejść. System hybrydowy uczyni wdrożenie sztucznej inteligencji bardziej dokładnym w dłuższej perspektywie i bardziej elastycznym w rozwiązywaniu pojawiających się zagrożeń przestępczości finansowej, bez poświęcania przejrzystości.

Aby to zrobić, instytucje mogą zintegrować modele sztucznej inteligencji z ciągłym feedbackiem ludzkim. Wzrost adaptacyjnego uczenia się modeli następowałby nie tylko na podstawie wzorców danych, ale również na podstawie ludzkiej interwencji, która udoskonala i rebilansuje je.

Nie wszystkie systemy sztucznej inteligencji są równe. Modele sztucznej inteligencji powinny być poddawane ciągłemu testowaniu w celu oceny dokładności, uczciwości i zgodności, z regularnymi aktualizacjami opartymi na zmianach regulacyjnych i nowych informacjach o zagrożeniach, jakie identyfikują zespoły AFC.

Eksperci ds. ryzyka i compliance muszą być przeszkoleni w zakresie sztucznej inteligencji, lub powinien zostać zatrudniony ekspert ds. sztucznej inteligencji, aby zapewnić, że rozwój i wdrożenie sztucznej inteligencji odbywa się w ramach określonych ograniczeń. Muszą również opracować ramy compliance specyficzne dla sztucznej inteligencji, ustanawiając ścieżkę zgodności z przepisami w pojawiającym się sektorze compliance.

W ramach wdrożenia sztucznej inteligencji ważne jest, aby wszystkie elementy organizacji zostały poinformowane o możliwościach nowych modeli sztucznej inteligencji, z którymi pracują, ale również o ich słabościach (takich jak potencjalna stronniczość), aby uczynić je bardziej wrażliwymi na potencjalne błędy.

Organizacja musi również podjąć pewne strategiczne rozważania, aby zachować bezpieczeństwo i jakość danych. Jest niezwykle ważne, aby zainwestować w wysokiej jakości, bezpieczną infrastrukturę danych i upewnić się, że są one szkolone na dokładnych i zróżnicowanych zestawach danych.

Sztuczna inteligencja jest i będzie zarówno zagrożeniem, jak i defensywnym narzędziem dla banków. Ale muszą one właściwie obsługiwać tę potężną nową technologię, aby uniknąć tworzenia problemów zamiast ich rozwiązywania.