AI และการป้องกันอาชญากรรมทางการเงิน: ทำไมธนาคารต้องการแนวทางที่สมดุล

AI เป็นเหมือนเหรียญสองด้านสำหรับธนาคาร: ในขณะที่เปิดโอกาสให้การดำเนินงานที่มีประสิทธิภาพมากขึ้น แต่ก 也สามารถสร้างความเสี่ยงภายนอกและภายในได้

อาชญากรทางการเงินกำลังใช้เทคโนโลยีนี้เพื่อสร้าง วิดีโอ deepfake, เสียงและเอกสารปลอมที่สามารถหลบเลี่ยงการตรวจจับของคอมพิวเตอร์และมนุษย์ หรือเพิ่มกิจกรรมฉ้อโกงทางอีเมล ในสหรัฐฯ เพียงอย่างเดียว คาดว่า AI ที่สร้างขึ้นจะเร่งการขาดทุนจากการฉ้อโกงถึงอัตราการเติบโตรายปี 32% โดยจะสูงถึง 40 พันล้านดอลลาร์สหรัฐฯ ในปี 2027 ตาม รายงานของ Deloitte最近

อาจเป็นไปได้ว่าธนาคารควรตอบสนองด้วยการเตรียมอาวุธที่ดีกว่า โดยใช้ AI ในการป้องกันอาชญากรรมทางการเงิน ธนาคารกำลังเริ่มใช้ AI ในการป้องกันอาชญากรรมทางการเงิน (AFC) เพื่อตรวจสอบธุรกรรม สร้างรายงานกิจกรรมที่น่าสงสัย ตรวจจับฉ้อโกงโดยอัตโนมัติ และอื่นๆ ซึ่งมีศักยภาพในการเร่งกระบวนการและเพิ่มความแม่นยำ

ปัญหาเกิดขึ้นเมื่อธนาคารไม่สร้างสมดุลระหว่างการนำ AI มาใช้กับการตัดสินใจของมนุษย์ หากไม่มีมนุษย์ในวงจร การนำ AI มาใช้สามารถส่งผลกระทบต่อการปฏิบัติตามกฎระเบียบ ความลำเอียง และความสามารถในการปรับตัวให้เข้ากับภัยคุกคามใหม่ๆ

เราเชื่อในแนวทางที่รอบคอบและผสมผสาน AI ในภาคการเงิน ซึ่งจะยังคงต้องการการมีส่วนร่วมของมนุษย์

ความแตกต่างระหว่างระบบ AFC ที่ขับเคลื่อนด้วยกฎและ AI

โดยทั่วไป AFC และโดยเฉพาะระบบต่อต้านการฟอกเงิน (AML) จะทำงานโดยใช้กฎที่กำหนดโดยทีมงานด้านการปฏิบัติตามกฎระเบียบเพื่อตอบสนองต่อกฎระเบียบ ในกรณีการตรวจสอบธุรกรรม กฎเหล่านี้จะถูกนำไปใช้เพื่อระบุธุรกรรมตามเกณฑ์ที่กำหนดไว้ล่วงหน้า เช่น ขีดจำกัดจำนวนธุรกรรมหรือปัจจัยความเสี่ยงทางภูมิศาสตร์

AI นำเสนอวิธีการใหม่ในการตรวจสอบความเสี่ยงของอาชญากรรมทางการเงิน โมเดลการเรียนรู้ของเครื่องสามารถใช้เพื่อตรวจจับรูปแบบที่น่าสงสัยตามชุดข้อมูลที่เปลี่ยนแปลงอย่างต่อเนื่อง ระบบจะวิเคราะห์ธุรกรรม ข้อมูลในอดีต พฤติกรรมของลูกค้า และข้อมูลบริบทเพื่อตรวจสอบสิ่งที่น่าสงสัย ในขณะที่เรียนรู้ตลอดเวลา และมีศักยภาพในการตรวจสอบอาชญากรรมที่มีประสิทธิภาพมากขึ้น

แต่ในขณะที่ระบบที่ขับเคลื่อนด้วยกฎสามารถคาดเดาและตรวจสอบได้ง่าย ระบบที่ขับเคลื่อนด้วย AI จะนำเสนอ “กล่องดำ” ที่ซับซ้อนเนื่องจากกระบวนการตัดสินใจที่ไม่โปร่งใส มันจะยากที่จะระบุเหตุผลที่ระบบ AI ระบุพฤติกรรมบางอย่างว่าน่าสงสัย เนื่องจากมีหลายปัจจัยที่เกี่ยวข้อง ซึ่งอาจทำให้ระบบ AI ตัดสินใจตามเกณฑ์ที่ล้าสมัย หรือให้ข้อมูลที่ไม่ถูกต้องโดยไม่ทราบทันที และอาจก่อให้เกิดปัญหาเกี่ยวกับการปฏิบัติตามกฎระเบียบของสถาบันการเงิน

ความท้าทายด้านกฎระเบียบที่อาจเกิดขึ้น

สถาบันการเงินต้องปฏิบัติตามมาตรฐานกฎระเบียบที่เข้มงวด เช่น AML ของสหภาพยุโรป และ Bank Secrecy Act ของสหรัฐฯ ซึ่งกำหนดให้ต้องมีการตัดสินใจที่ชัดเจนและสามารถตรวจสอบได้ ระบบ AI โดยเฉพาะอย่างยิ่งโมเดลการเรียนรู้ลึก สามารถยากต่อการอธิบายได้

เพื่อให้แน่ใจว่ามีการรับผิดชอบในการนำ AI มาใช้ ธนาคารต้องวางแผนอย่างรอบคอบ ทดสอบอย่างละเอียด มีกรอบการทำงานด้านการปฏิบัติตามกฎระเบียบที่เฉพาะเจาะจง และมีการกำกับดูแลของมนุษย์ มนุษย์สามารถตรวจสอบการตัดสินใจโดยอัตโนมัติได้โดยการอธิบายเหตุผลเบื้องหลังธุรกรรมที่ถูกตั้งคำถาม ทำให้สามารถอธิบายและป้องกันการตรวจสอบของหน่วยงานกำกับดูแลได้

สถาบันการเงินยังตกอยู่ภายใต้แรงกดดันที่เพิ่มขึ้นในการใช้ Explainable AI (XAI) เพื่อให้การตัดสินใจที่ขับเคลื่อนด้วย AI สามารถเข้าใจได้สำหรับหน่วยงานกำกับดูแลและผู้ตรวจสอบ XAI เป็นกระบวนการที่ทำให้มนุษย์สามารถเข้าใจผลลัพธ์ของระบบ AI และกระบวนการตัดสินใจที่ซ่อนอยู่

การตัดสินใจของมนุษย์ที่จำเป็นสำหรับมุมมองที่ครอบคลุม

การนำ AI มาใช้ไม่ควรนำไปสู่ความประมาทกับระบบอัตโนมัติ นักวิเคราะห์มนุษย์มีความเข้าใจและความสามารถในการตัดสินใจที่ AI ไม่มี ทำให้สามารถตัดสินใจได้อย่างเหมาะสมในกรณีที่ซับซ้อนหรือไม่ชัดเจน ซึ่งยังคงจำเป็นในการสืบสวน AFC

ความเสี่ยงของการพึ่งพา AI คือความเป็นไปได้ของข้อผิดพลาด (เช่น การตรวจจับเท็จบวกหรือเท็จลบ) และความลำเอียง AI สามารถมีการตรวจจับเท็จบวกได้หากโมเดลไม่ได้รับการปรับให้เหมาะสมหรือถูกฝึกอบรมด้วยข้อมูลที่มีความลำเอียง ในขณะที่มนุษย์ก็มีความเสี่ยงต่อความลำเอียงเช่นกัน แต่ความเสี่ยงของ AI คือการยากต่อการระบุความลำเอียงภายในระบบ

นอกจากนี้ AI โมเดลทำงานบนข้อมูลที่ให้มา – อาจไม่สามารถจับปัญหาที่ไม่เคยเกิดขึ้นหรือไม่ตามแนวโน้มในอดีตหรือตามข้อมูลจากโลกแห่งความเป็นจริง การแทนที่ระบบที่ขับเคลื่อนด้วยกฎด้วย AI อาจทำให้เกิดจุดบอดในการตรวจสอบ AFC

ในกรณีที่มีความลำเอียง ความไม่ชัดเจน หรือความใหม่ AFC ต้องการสายตาที่มีวิจารณญาณซึ่ง AI ไม่สามารถให้ได้ ในขณะเดียวกัน หากเราลบมนุษย์ออกจากกระบวนการ ก็อาจทำให้ความสามารถของทีมในการเข้าใจรูปแบบของอาชญากรรมทางการเงิน ระบุรูปแบบ และระบุแนวโน้มที่เกิดขึ้นใหม่ลดลง ซึ่งอาจทำให้ยากต่อการรักษาระบบอัตโนมัติให้ถูกต้อง

แนวทางผสมผสาน: การรวมระบบที่ขับเคลื่อนด้วยกฎและ AI

สถาบันการเงินสามารถรวมระบบที่ขับเคลื่อนด้วยกฎกับเครื่องมือ AI เพื่อสร้างระบบหลายชั้นที่ใช้ประโยชน์จากจุดแข็งของทั้งสองแนวทาง ระบบผสมผสานจะทำให้การนำ AI มาใช้แม่นยำมากขึ้นในระยะยาว และมีความยืดหยุ่นมากขึ้นในการจัดการกับภัยคุกคามใหม่ๆ ของอาชญากรรมทางการเงิน โดยไม่สูญเสียความโปร่งใส

เพื่อให้บรรลุเป้าหมายนี้ สถาบันสามารถรวม AI โมเดลกับการให้ข้อมูลโดยมนุษย์อย่างต่อเนื่อง การเรียนรู้แบบปรับเปลี่ยนของโมเดลจะเติบโตไม่เพียงแต่จากแบบแผนข้อมูลเท่านั้น แต่ยังรวมถึงการให้ข้อมูลโดยมนุษย์ที่ทำให้ระบบสมดุลและปรับให้เหมาะสมอีกด้วย

ไม่ใช่ทุกระบบ AI ที่เท่ากัน AI โมเดลควรผ่านการทดสอบอย่างต่อเนื่องเพื่อประเมินความแม่นยำ ความยุติธรรม และการปฏิบัติตามกฎระเบียบ โดยมีการอัปเดตอย่างสม่ำเสมอตามการเปลี่ยนแปลงด้านกฎระเบียบและข้อมูลภัยคุกคามใหม่ๆ ที่ระบุโดยทีม AFC

ผู้เชี่ยวชาญด้านความเสี่ยงและความเป็นไปตามกฎระเบียบจะต้องได้รับการฝึกอบรมเกี่ยวกับ AI หรือควรจ้างผู้เชี่ยวชาญ AI เข้าร่วมทีม เพื่อให้แน่ใจว่าการพัฒนาและใช้ AI จะดำเนินการภายใต้ขอบเขตที่กำหนด พวกเขายังต้องสร้างกรอบการทำงานด้านการปฏิบัติตามกฎระเบียบที่เฉพาะเจาะจงสำหรับ AI โดยกำหนดแนวทางในการปฏิบัติตามกฎระเบียบในภาคการเงินที่เกิดขึ้นใหม่

เป็นสิ่งสำคัญที่ทุกส่วนขององค์กรจะต้องได้รับข้อมูลเกี่ยวกับความสามารถของ AI โมเดลใหม่ที่พวกเขากำลังทำงานด้วย รวมถึงข้อจำกัด (เช่น ความลำเอียงที่อาจเกิดขึ้น) เพื่อให้พวกเขาสามารถรับรู้ถึงข้อผิดพลาดที่อาจเกิดขึ้นได้

องค์กรของคุณจะต้องพิจารณาเชิงกลยุทธ์อื่นๆ เพื่อรักษาความปลอดภัยและคุณภาพของข้อมูล เป็นสิ่งสำคัญที่จะต้องลงทุนในโครงสร้างพื้นฐานข้อมูลที่มีคุณภาพสูงและปลอดภัย และรับรองว่าได้รับการฝึกอบรมจากชุดข้อมูลที่ถูกต้องและหลากหลาย

AI จะเป็นทั้งภัยคุกคามและเครื่องมือป้องกันสำหรับธนาคาร แต่พวกเขาต้องจัดการเทคโนโลยีใหม่นี้อย่างถูกต้องเพื่อหลีกเลี่ยงการสร้างปัญหาแทนการแก้ปัญหา