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 данных, получаемых в ходе машинного обучения. Те 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 долгосрочное соглашение с Brighterion заключила 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, не являющиеся 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 т. д. 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 Тинькофф-банке. 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%.

Фотография на обложке: Siroxha / Shutterstock