Машинното обучение измества традиционните подходи

Според експертите на McKinsey банките могат да внедрят машинно самообучение по цялата верига в борбата срещу прането на пари (anti-money laundering, AML), но най-съществените и мигновени ползи ще могат да бъдат видени при проследяването на транзакциите. В този процес технологията успешно може да се съчетае с други алгоритми като дълбоко обучение, метода на случайната гора (метод за класификация, на англ. език - random forest), техниката на усилване на градиента (техника, използвана за класифициране, на англ. език - gradient boosting) и др.

Днес много финансови институции използват инструменти, базирани на правила и сценарии или на основни статистически подходи за наблюдение на транзакциите. Тези правила се ръководят основно от статистически показатели и експертна преценка, но често не успяват да уловят най-новите тенденции при прането на пари. Моделите за машинно обучение използват по-подробни и по-показателни за поведението данни, с които изграждат сложни алгоритми. Освен това те се приспособяват към новите тенденции много по-бързо.

Според анализаторите чрез замяната на инструменти, базирани на правила и сценарии, с модели на машинно обучение всяка финансова институция може да подобри разпознаването на подозрителни дейности с до 40% и ефективността си - с до 30%. Но, за да се увенчае с успех стратегията по внедряване на машинно обучение, тя трябва да включва отговорите на три въпроса - къде ще се използва алгоритъмът, какви допълнителни данни са необходими и как ще се внедри моделът.

Количеството на данните

Машинното обучение може да донесе голяма полза на организацията, ако има достатъчно свобода при избора на атрибути на данните и достатъчно качествени данни (например когато има бързо движение на средства и могат да се вземат предвид голям брой атрибути). Технологията може да се използва и когато е трудно да се идентифицират динамиката и връзките между рисковите фактори. Но ако няма достатъчно налични данни, машинното обучение няма как да оправдае внедряването му. В тези случаи традиционните подходи може да покажат по-високо ниво на ефективност.

Качеството на данните

Освен количеството фактор за успеха е и качеството на данните. Данните с лошо качество със сигурност биха довели до по-лошо представяне на модела. Според анализаторите е ключово да няма сериозна зависимост от категориите за докладване на подозрителни дейности, като например финансиране на тероризъм, пране на пари, измами и т.н. Институциите например проучват голям набор от инициативи, за да подобрят събирането на данни за техните ML модели и да осигурят по-широк контекст за наблюдение на транзакциите.

Тези по-сложни ML модели могат да включват широк набор от нови елементи и променливи, като например информация за вида на бизнеса и на клиента, по-подробна информация за продукта и неговото използване, информация за каналите на различните продукти, рискови индикатори като местоположение на бизнеса и външни данни от регистрите на финансовите престъпления и др.

Прозрачност

ML моделите са по-малко прозрачни в сравнение с традиционните, за които вече стана дума, и екипите за управление на риска при моделите все по-често изискват по-добро обяснение на модела, т.е. по-добри методи за интерпретиране на моделите тип "черна кутия", които се обучават директно от данните, без да има човешка намеса.

Екипите за разработване на моделите често си сътрудничат с екипите, които разследват прането на пари, за да са сигурни, че разбират данните и създават функции за моделиране, които могат да бъдат интерпретирани, и интегрират ML модули със съществуващите модели и инструменти, базирани на традиционния подход. Последното трябва да гарантира лесния преход между двата подхода. Банките могат да генерират по-висококачествени сигнали за разследващите чрез няколко метода - като запазят достатъчно примери за тестване, за да изпробват самия модел; като отчитат специфични за машинното обучение рискове като калибриране на хиперпараметри, отклонение на модела, прозрачност и др.; и като провеждат чести стрес тестове, за проследят ефективността на модела.

Анализаторите са категорични, че усъвършенстваните аналитични техники, особено машинното обучение с мрежови анализи, могат да подобрят драстично наблюдението на транзакциите и да намалят процентите на фалшиво отрицателни и фалшиво положителни резултати при борбата с прането на пари. За да се възползват от плюсовете на технологията обаче, организациите ще трябва да се сдобият с подходящите специалисти и да създадат надеждни източници на данни. Предизвикателството е сериозно, но според анализаторите, подкрепени от данните, за които вече стана дума, усилието си заслужава.