Штучний інтелект і запобігання фінансовим злочинам: чому банкам потрібен збалансований підхід

Штучний інтелект – це двостороння монета для банків: хоча він відкриває багато можливостей для більш ефективних операцій, він також може становити зовнішні та внутрішні ризики.

Фінансові злочинці використовують цю технологію для створення відео-дипфейків, голосів і фальшивих документів, які можуть обманути комп’ютери та людей, або для посилення діяльності електронної пошти. Только в США генеративний штучний інтелект очікується прискорити втрати від шахрайства на 32% щорічно, досягнувши 40 мільярдів доларів США до 2027 року, згідно з недавнім звітом Deloitte.

Можливо, тому відповідь банків повинна полягати в тому, щоб озброїтися ще кращими інструментами, використовуючи штучний інтелект у сфері запобігання фінансовим злочинам. Фінансові установи вже починають використовувати штучний інтелект у зусиллях з протидії фінансовим злочинам – для моніторингу транзакцій, генерації звітів про підозрілу діяльність, автоматизації виявлення шахрайства та інше. Все це має потенціал прискорити процеси та підвищити точність.

Проблема полягає в тому, що банки не балансують впровадження штучного інтелекту з людським судженням. Без людини в циклі впровадження штучного інтелекту може вплинути на дотримання законодавства, упередженість та адаптивність до нових загроз.

Ми віримо в обережний, гібридний підхід до впровадження штучного інтелекту в фінансовому секторі, який продовжить вимагати людського втручання.

Відмінності між системами протидії фінансовим злочинам на основі правил і штучного інтелекту

Традиційно системи протидії фінансовим злочинам, особливо системи проти відмивання грошей, працювали з фіксованими правилами, встановленими командами з дотримання законодавства у відповідь на нормативні акти. Наприклад, у випадку моніторингу транзакцій ці правила реалізуються для позначення транзакцій на основі конкретних попередньо визначених критеріїв, таких як пороги кількості транзакцій або географічні фактори ризику.

Штучний інтелект пропонує новий спосіб скринінгу фінансових ризиків. Моделі машинного навчання можна використовувати для виявлення підозрілих закономірностей на основі серії наборів даних, які постійно еволюціонують. Система аналізує транзакції, історичні дані, поведінку клієнтів та контекстні дані для моніторингу підозрілої діяльності, одночасно вчучися з часом, пропонуючи адаптивне та потенційно більш ефективне моніторинг злочинів.

Однак, хоча системи на основі правил передбачувані та легко аудитуємі, системи на основі штучного інтелекту вводять складний “чорний ящик” через не透бачні процеси прийняття рішень. Більш складно відстежувати理由, чому система штучного інтелекту позначила певну поведінку як підозрілу, оскільки залучено багато елементів. Це може привести до того, що штучний інтелект прийде до певного висновку на основі застарілих критеріїв або надає фактично неправильні висновки без того, щоб це було негайно виявлено. Це також може створити проблеми для дотримання фінансовими установами нормативних вимог.

Можливі нормативні виклики

Фінансові установи повинні дотримуватися суворих нормативних стандартів, таких як директива ЄС про протидію відмиванню грошей та закон США про секретність банківської діяльності, які вимагають ясних, відстежуваних процесів прийняття рішень. Системи штучного інтелекту, особливо глибинні моделі навчання, можуть бути важкими для інтерпретації.

Для забезпечення підзвітності під час впровадження штучного інтелекту банкам потрібно ретельне планування, повне тестування, спеціальні рамки з дотримання законодавства та людський нагляд. Люди можуть підтвердити автоматичні рішення, наприклад, інтерпретуючи підстави для позначення транзакції, роблячи її зрозумілою та обґрунтованою для регуляторів.

Фінансові установи також піддаються зростаючому тиску щодо використання інструментів штучного інтелекту, що пояснюють (XAI) для того, щоб зробити рішення, прийняті на основі штучного інтелекту, зрозумілими регуляторам та аудиторам. XAI – це процес, який дозволяє людям зрозуміти висновки системи штучного інтелекту та її основні процеси прийняття рішень.

Людське судження необхідне для цілісного огляду

Впровадження штучного інтелекту не повинно приводити до самозадоволення автоматизованими системами. Людські аналітики надають контекст і судження, яких бракує штучному інтелекту, дозволяючи приймати тонкі рішення у складних або двозначних випадках, що залишається важливим у розслідуваннях фінансових злочинів.

Серед ризиків залежності від штучного інтелекту є можливість помилок (наприклад, хибних позитивів, хибних негативів) та упередженості. Штучний інтелект може бути схильний до хибних позитивів, якщо моделі не добре налаштовані або тренуються на упереджених даних. Хоча люди також схильні до упередженості, додатковий ризик штучного інтелекту полягає в тому, що його упередженість може бути важкою для виявлення.

Крім того, моделі штучного інтелекту працюють на даних, які їм подаються – вони можуть не виявити нові або рідкісні підозрілі закономірності поза історичними тенденціями або на основі реальних висновків. Повна заміна систем на основі правил на штучний інтелект може залишити сліпі місця в моніторингу фінансових злочинів.

У випадках упередженості, двозначності або новизни протидія фінансовим злочинам потребує розвиненого ока, якого штучний інтелект не може забезпечити. Одночасно, якщо ми видалими людей з процесу, це може суттєво обмежити здатність команд зрозуміти закономірності фінансових злочинів, виявити закономірності та ідентифікувати нові тенденції. Це, в свою чергу, може зробити ще складнішою підтримку автоматизованих систем у актуальному стані.

Гібридний підхід: поєднання систем на основі правил і штучного інтелекту

Фінансові установи можуть поєднати підхід на основі правил з інструментами штучного інтелекту для створення багаторівневої системи, яка використовує сильні сторони обох підходів. Гібридна система зробить впровадження штучного інтелекту більш точним у довгостроковій перспективі та більш гнучким у боротьбі з новими фінансовими загрозами, не жертвуючи прозорістю.

Для цього установи можуть інтегрувати моделі штучного інтелекту з постійним людським відгуком. Адаптивне навчання моделей буде розвиватися не тільки на основі закономірностей даних, але й на основі людського вводу, який уточнює та балансує його.

Не всі системи штучного інтелекту однакові. Моделі штучного інтелекту повинні проходити постійне тестування для оцінки точності, справедливості та дотримання законодавства, з регулярними оновленнями на основі змін законодавства та нових загроз, виявлених командами з протидії фінансовим злочинам.

Експерти з ризиків та дотримання законодавства повинні бути навчені роботі зі штучним інтелектом, або експерт зі штучного інтелекту повинен бути прийнятий на роботу в команду, щоб забезпечити виконання розробки та впровадження штучного інтелекту в рамках певних обмежень. Вони також повинні розробити рамки з дотримання законодавства, специфічні для штучного інтелекту, встановивши шлях до нормативної відповідності в галузі, що розвивається для експертів з дотримання законодавства.

Під час впровадження штучного інтелекту всі складові організації повинні бути проінформовані про можливості нових моделей штучного інтелекту, з якими вони працюють, але також про їх обмеження (наприклад, потенційну упередженість), щоб зробити їх більш чутливими до потенційних помилок.

Ваша організація також повинна врахувати інші стратегічні моменти для збереження безпеки та якості даних. Немає gì іншого вибору, як інвестувати в високоякісну, безпечну інфраструктуру даних та забезпечити, щоб вони були треновані на точних та різноманітних наборах даних.

Штучний інтелект є і буде як загрозою, так і оборонним інструментом для банків. Але їм потрібно правильно використовувати цю потужну нову технологію, щоб уникнути створення проблем замість їх вирішення.