AI 和金融犯罪预防：为什么银行需要平衡的方法

AI 是银行的双刃剑：虽然它为更高效的运营解锁了许多可能性，但也可能带来外部和内部风险。

金融犯罪者正在利用该技术生产 深度伪造视频、声音和假文件，可以通过计算机和人类检测，或者加速电子邮件欺诈活动。在美国 alone，生成式 AI 预计将加速欺诈损失，到 2027 年达到每年 32% 的增长率，达到 400 亿美元，根据 德勤的一份报告。

也许，银行的反应应该是武装自己更好的工具，利用 AI 跨金融犯罪预防。金融机构实际上已经开始部署 AI 在反金融犯罪（AFC）努力中 – 监控交易，生成可疑活动报告，自动化欺诈检测等。这些有可能加速过程同时增加准确性。

问题是当银行不平衡地实施 AI 和人类判断时。没有人类的参与，AI 采用可能会影响合规性、偏见和适应新威胁的能力。

我们相信在金融领域采用 AI 的谨慎、混合方法，这将继续需要人类输入。

基于规则和 AI 驱动的 AFC 系统之间的区别

传统上，AFC – 特别是反洗钱（AML）系统 – 已经使用了由合规团队制定的固定规则，以应对法规。在交易监控的情况下，例如，这些规则被实施以根据特定的预定义标准标记交易，例如交易金额阈值或地理风险因素。

AI 提出了一种新的筛选金融犯罪风险的方法。机器学习模型可以被用于检测基于一系列不断演化的数据集的可疑模式。系统分析交易、历史数据、客户行为和上下文数据以监控任何可疑的活动，同时随着时间的推移学习，提供自适应和可能更有效的犯罪监控。

然而，虽然基于规则的系统是可预测和易于审计的，AI 驱动的系统引入了一个复杂的“黑盒”元素，由于不透明的决策过程。很难追踪 AI 系统的推理，以标记某些行为为可疑，考虑到涉及的元素如此之多。这可能导致 AI 达到某种结论，基于过时的标准，或者提供事实上不正确的见解，而不立即被检测到。它也可能为金融机构的监管合规带来问题。

可能的监管挑战

金融机构必须遵守严格的监管标准，例如 EU 的 AMLD 和美国的 银行保密法，这些标准要求清晰、可追踪的决策。AI 系统，特别是深度学习模型，可能难以解释。

为了确保在采用 AI 时的责任感，银行需要仔细规划、彻底测试、专门的合规框架和人类监督。人类可以通过解释自动化决策的理由来验证自动化决策，例如解释标记交易的理由，使其对监管机构来说是可解释和可辩护的。

金融机构也面临着越来越大的压力，使用 可解释的 AI（XAI）工具，使 AI 驱动的决策对监管机构和审计员来说是可理解的。XAI 是一个使人类能够理解 AI 系统的输出和其底层决策过程的过程。

需要人类判断的整体视图

采用 AI 不应导致自动系统的自满。人类分析师带来了上下文和判断，这是 AI 缺乏的，使得在复杂或模糊的情况下能够进行细致的决策，这仍然是 AFC 调查的必需条件。

依赖于 AI 的风险包括错误（例如假阳性、假阴性）和偏见的可能性。AI 可能容易出现假阳性，如果模型没有良好的调优，或者是训练在有偏见的数据上。虽然人类也容易受到偏见的影响，但 AI 的附加风险是它可能很难在系统中识别偏见。

此外，AI 模型运行在输入的数据上 – 它们可能无法捕捉到历史趋势之外的新颖或罕见的可疑模式，或者基于现实世界的见解。完全用 AI 替换基于规则的系统可能会在 AFC 监控中留下盲点。

在偏见、模糊性或新颖性情况下，AFC 需要一个有辨别力的眼睛，这是 AI 无法提供的。同时，如果我们从过程中删除人类，可能会严重阻碍团队理解金融犯罪模式、识别模式和识别新兴趋势的能力。反过来，这可能使得保持任何自动化系统的更新变得更加困难。

混合方法：结合基于规则和 AI 驱动的 AFC

金融机构可以将基于规则的方法与 AI 工具相结合，创建一个多层次的系统，利用两种方法的优势。混合系统将使 AI 实施更加准确和灵活地应对新兴的金融犯罪威胁，而不会牺牲透明度。

为了实现这一点，机构可以将 AI 模型与持续的人类反馈相结合。模型的自适应学习将不仅基于数据模式，还基于人类输入来完善和重新平衡它。

并非所有 AI 系统都是平等的。AI 模型应该经过持续的测试，以评估准确性、公平性和合规性，并根据监管变化和新威胁情报进行定期更新。

风险和合规专家必须接受 AI 培训，或者聘用 AI 专家加入团队，以确保 AI 开发和部署是在一定的界限内进行的。他们还必须制定特定的 AI 合规框架，建立监管遵守的途径，供合规专家使用。

在采用 AI 的过程中，必须确保组织的所有元素都了解新 AI 模型的能力，但也了解其局限性（例如潜在的偏见），以使其更能察觉潜在的错误。

您的组织还必须采取其他战略考虑，以保护安全性和数据质量。必须投资于高质量、安全的数据基础设施，并确保它们是基于准确和多样化的数据集进行训练的。

AI 是和将继续成为银行的威胁和防御工具。但是，它们需要正确处理这种强大的新技术，以避免制造问题而不是解决问题。