Kako bi svaka financijska institucija opstala, neovisno bila ona velika ili mala, ključno je osiguravanje usklađenosti s aktualnim zakonima, regulativama i propisima za sprečavanje pranja novca.

Praćenje transakcija u skladu s AML regulativom fokusira se na otkrivanje i prijavljivanje sumnjivih financijskih transakcija koje bi mogle biti povezane s pranjem novca ili financiranjem terorizma, dok mjere za sprečavanje prijevara obuhvaćaju širi spektar aktivnosti usmjerenih na otkrivanje i sprečavanje prijevara koje predstavljaju rizik za pojedince, organizacije i financijske institucije. Iako se uobičajeno radi o različitim domenama, one itekako imaju poveznicu jer kriminalne aktivnosti povezane s prijevarama generiraju znatna sredstva, koja u konačnici trebaju biti "oprana" – jednostavno, gdje ima prijevara, ima i pranja novca.

Kombinirana borba

Neizbježnim dolaskom umjetne inteligencije (AI) i dosadašnjeg korištenja strojnog učenja (ML), očekuje se revolucioniranje područja sprečavanja financijskog kriminala u financijskim institucijama. Dok ML tehnologije mogu analizirati velike količine podataka i prepoznavati složene obrasce, AI tehnologije mogu znatno ubrzati proces donošenja odluka i smanjiti broj lažno pozitivnih upozorenja. Kao tvrtka koja razvija sustav koji kombinira borbu protiv prijevara i pranja novca Infigo FRAML, možemo reći da se te tehnologije mogu koristiti kao dodatno poboljšanje sustava za detekciju koji koristi pravila, ili kao primarni alat za detekciju. Osim toga, njihova primjena moguća je i u drugim područjima, poput provjere klijenata na sankcijskim listama ili automatiziranja manualnog posla i prikupljanja informacija koje ubrzavaju istrage.

Prema izvješćima HSBC-a, najveće banke prema ukupnoj aktivi sa sjedištem u Europi te članicom Wolfsberg grupe, korištenjem sustava potpomognutim AI-jem identificirali su dva do četiri puta više sumnjivih aktivnosti nego prije, uz smanjenje broja upozorenja od 60%.

Praktične prepreke

Wolfsberg grupa nedavno je objavila i smjernice za korištenje AI-ja i ML-a u području financijskog kriminala te, iako snažno podržava njihovu uporabu, upozorava na neke od mogućih izazova.

Mnogi ML modeli koriste povijesne podatke za treniranje modela, što uključuje učenje na prethodnim prijavama sumnji (SAR/STR). Korištenje takvih podataka zahtijeva preciznost i točnost te ih je moguće lako koristiti kada se za svaku prijavu dobiva povratna informacija o njezinoj relevantnosti. Navedeno je poseban izazov u slučaju obveznika u Hrvatskoj, gdje Ured za sprečavanje pranja novca šalje povratne informacije jednom godišnje u objedinjenom dokumentu koji sadržava cjelokupnu analizu svih prijava. Postavlja se pitanje, kako bi ML model mogao učiti kad nemamo kvalitetan feedback?

S obzirom na to da se radi o strogo povjerljivim podacima, dodatni izazov pri korištenju tih tehnologija javlja se i s pravne strane, te bi regulatori i tijela za provođenje zakona trebali pružiti odgovarajuće smjernice za odgovornu implementaciju AI-ja i ML-a, i tako olakšati proces financijskim institucijama i pružateljima IT rješenja.

U području financijskog kriminala, suradnja između ljudi i tehnologije uvijek će biti potrebna, ali jednako tako, i suradnja između financijskih institucija i regulatora bit će ključna za budućnost ML-a i AI-ja u tom području.

Veliki broj lažno pozitivnih upozorenja predstavlja problem samo ako nemamo dobar proces za njihovu provjeru, ali uz dostupnost novih tehnologija, nije više pitanje kada, već kako će financijske institucije implementirati ML i AI u svoje procese.