?

Log in

No account? Create an account
Ющук Евгений Леонидович

Ноябрь 2017

Вс Пн Вт Ср Чт Пт Сб
   1234
567891011
12131415161718
19202122232425
2627282930  

Конкурентная разведка (Competitive Intelligence)

Теги блога "Конкурентная разведка"

Разработано LiveJournal.com
Ющук Евгений Леонидович

Как нейросети борются с отмыванием денег

Ежегодно в мире отмывают от $800 млрд до 2 трлн. Только США тратят на войну с этим мошенничеством (Anti-Money Laundering, AML) около $7 млрд в год. До недавнего времени с отмыванием боролись вручную, через проверку каждой транзакции. Потом появились стартапы с собственными инновационными системами распознавания мошеннических операций. Сейчас самое перспективное направление в AML — машинное обучение и анализ больших данных. Рассмотрим подходы, которые при этом используются и какие результаты они приносят.

Know Your Customer

Многие банки и стартапы внедряют системы, основанные на подходе Know Your Customer (KYC). Его суть — в подробном анализе поведения каждого клиента, то есть модели полагаются не на исторические данные по всем транзакциям, а на действия конкретного клиента в отрыве от остальных, определяя его типичные черты и действия. Если клиент совершает транзакцию, не вписывающуюся в паттерн его поведения, система подаёт сигнал о необходимости проверки. Таким образом решается задача кластеризации, разделения всех транзакций клиента на обычные и подозрительные.

Преимущество этого подхода — модели перестают сильно зависеть от обучаемых данных, которые могут содержать ненужную информацию, совершенно не относиться к рассматриваемому клиенту либо их попросту может быть недостаточно.

Пример компании с таким методом — американская Brighterion. Она предлагает системы для борьбы с мошенничеством в банковской среде, запоминающие типичные поведенческие и покупательские паттерны клиентов и реагирующие на аномалии. Например, система iPrevent специализируется на аналитике использования счетов и банковских карт, а iComply — на борьбе с международными схемами отмывания денег.

Клиенты Brighterion — крупнейшие банки Германии, Бразилии и Канады. По словам операционного директора компании Томаса Рэнд-Нэша, им удалось снизить потери от мошеннических операций на 75-95%. В июле с Brighterion заключила долгосрочное соглашение Mastercard. Она хочет интегрировать искусственный интеллект в свои бизнес-процессы как в рамках борьбы с нелегальными транзакциями и отмыванием денег, так и для улучшения понимания пользовательских потребностей.

Анализ агрегированных данных

Второй подход — выявление подозрительных транзакций через анализ всех имеющихся в наличии компании данных. Преимущество данного подхода и одновременно недостаток предыдущего — более высокое качество и точность модели, поскольку она изучает огромное количество разной информации. Недостаток: машины пока регулярно напарываются на false positives — транзакции, которые не являются частью криминальной схемы, но с точки зрения алгоритма выглядящие именно так. Поэтому сегодня AML всё ещё не может обойтись без человеческого участия. Специалисты проверяют все операции, которые алгоритм счёл мошенническими, и при необходимости исправляют ошибки.

Теперь к успешным примерам использования этого подхода. Индийский банк HDFC с помощью SAS Institute внедрил систему, выявляющую мошеннические операции: постоянные перемещения денег и отмены операций, перераспределение средств на множество мелких счетов, создание счетов-однодневок и так далее. Схожую платформу разработал американский стартап Merlon Intelligence. Система анализирует не только количественную, но и текстовую информацию (документы, отчёты, данные о клиентах и их действия), используя алгоритмы NLP (Natural Language Processing), и выявляет подозрительные транзакции, которые затем проверяют специалисты. Модель полгода успешно работала в тестовом режиме в одном из крупных американских банков, который в конечном итоге подписал со стартапом контракт на семизначную сумму.

Анализ социальных графов

В последнее время широкое применение получил анализ социальных сетей. Все счета можно представить как социальную сеть, в которой транзакция равна личному сообщению. Задача алгоритма — выявить, в каком из узлов сети деньги подозрительным образом утекают.

Пример подобной платформы — Palantir, система анализа данных от одноимённого американского стартапа, которую уже используют в финансовых институтах и правоохранительных органах для выявления источника утечки информации, помощи в антитеррористических миссиях и, конечно, борьбы с отмыванием. В качестве входных данных система может принимать большинство видов неструктурированной информации: сетевой трафик, данные соцсетей и геоданные. Palantir уже сорвал разведывательные операции китайских хакеров GhostNet и Shadow Network, а клиентами компании стали Bank of America, Агентство национальной безопасности США, ФБР и ЦРУ.

Автоматизация рутинных процессов AML

Помимо успешного распознавания схем по отмыванию денег, современные алгоритмы машинного обучения способны автоматизировать и некоторые рутинные этапы процесса AML — создание и подготовку отчётов, рассылку уведомлений, отсечение заведомо правильных счетов и транзакций из исследуемой выборки. В результате уменьшается трудоёмкость, снижаются операционные затраты и растёт эффективность.

Такую систему — SAS AML — в прошлом году внедрили в банке «Тинькофф». Она автоматизирует противодействие отмыванию денег и проводит быстрые регламентированные проверки на консолидированных данных. За счёт автоматизации AML процессов банк перераспределил ресурсы с обязательного контроля на непосредственное расследование криминальных схем. Платформа повысила обнаружение подозрительных операций на 95% и снизила количество false positives на 50%.

www.msn.com

Подписаться на Telegram канал yushchuk

Comments