Raport Specjalny | Forum Bezpieczeństwa Banków – SAS Institute | Wykorzystanie sztucznej inteligencji do walki z praniem brudnych pieniędzy – przyszłość czy rzeczywistość?
O programach przeciwdziałania praniu pieniędzy znowu mówi się dużo. Dlaczego?
– Pierwszym istotnym czynnikiem są zmiany regulacyjne wynikające z dostosowania lokalnych przepisów prawa do zmieniających się regulacji europejskich. Warto zauważyć, że tempo, w którym Unia Europejska zacieśnia kontrolę nad praniem pieniędzy jest coraz szybsze. Regulacje są coraz częściej dostosowywane do nowych wydarzeń i podmiotów na rynku oraz zmieniających się trendów przestępczych. Pierwsza dyrektywa w sprawie przeciwdziałania praniu pieniędzy została uchwalona przez UE w 1991 r. Obecnie wdrażamy zapisy już piątej, która weszła w życie w styczniu 2020 r., zmieniając ustalenia czwartej dyrektywy z roku 2017. Co więcej, tempo zmian regulacji nie zwalnia. Wiele krajów członkowskich dopiero niedawno dostosowało lokalne przepisy do ostatnich zmian, a na horyzoncie mamy już zapisy VI dyrektywy AML, która weszła w życie w grudniu 2020 r.
Co te wszystkie zmiany oznaczają dla sektora finansowego?
– Oczywiście konieczność wprowadzenia wielu modyfikacji w programach AML i w samych systemach je wspierających. Przykładowo, ponieważ dyrektywa V została wprowadzona po zamachach terrorystycznych we Francji i Belgii w celu zwiększenia transparentności przepływów finansowych, także tych realizowanych poza tradycyjnymi kanałami, przewiduje ona objęcie szczególnymi wytycznymi rynek walut wirtualnych. Dyrektywa kładzie nacisk na ryzyka związane z innowacjami technologicznymi i na sposoby ich mitygacji – takie jak ograniczenie anonimowości produktów pieniądza elektronicznego, w tym kart przedpłaconych. Dodaje również do listy nowe podmioty obowiązane, w tym dostawców portfeli wirtualnych i giełdy wirtualnej waluty. Istnieje więc wiele przedsiębiorstw, które będą musiały od zera wdrożyć programy AML, dostosowując się do nowych przepisów.
Czy pandemia miała też jakiś wpływ na obszar AML?
– Myślę, że pandemia nie oszczędziła nikogo i miała wpływ (przeważnie negatywny, ale czasem też pozytywny) na wszystkie obszary gospodarki. W przypadku obszaru AML, ale też fraudów, rozszerzyła zakres działalności i pomysłowość przestępców. Pojawiły się nowe schematy wyłudzeń i prania pieniędzy, za którymi instytucje finansowe muszą nieustannie podążać i uwzględniać je w swoich systemach zabezpieczeń. Z pomocą przychodzą tu najnowsze technologie uczenia maszynowego i sztucznej inteligencji, które mogą wspierać banki w nieustannej gonitwie i uczyć się nowych podejrzanych zachowań, ułatwiając ich późniejszą automatyczną detekcję. Inny aspekt pandemii, o którym często słyszymy, rozmawiając z instytucjami finansowymi, to jej wpływ na zachowania klientów. Szczególnie przeniesienie aktywności do kanałów zdalnych miało duże znaczenie dla działania systemów monitoringu transakcji, które wymagały dostosowania i kalibracji progów scenariuszy w celu uniknięcia generowania dużej liczby fałszywych alarmów (ang. false positive alerts).
Wspomniała pani o wykorzystaniu nowoczesnych technologii do walki z przestępczością. W jakim zakresie można je wykorzystać i czy banki już podejmują takie kroki?
– Sztuczna inteligencja napędza innowacje we wszystkich gałęziach przemysłu, a obszary antyfraud oraz compliance nie są tu żadnymi wyjątkami. Warto jednak wspomnieć o różnym tempie i stopniu adopcji tych nowych technologii. Można zauważyć, że obszar przeciwdziałania praniu pieniędzy był nieco ostrożniejszy w wykorzystaniu tych technik w porównaniu do działań w zakresie antyfraud. Kluczowym powodem tej różnicy jest poziom zarządzania, który jest motywatorem podejmowanych działań. W przypadku AML mówimy głównie o czynniku regulacyjnym. Stanowi to dodatkową przeszkodę dla praktyków: zautomatyzowany system przeciwdziałania praniu pieniędzy musi nie tylko zidentyfikować podejrzaną aktywność, ale powinien również być w stanie wyjaśnić, dlaczego tak się stało, w sposób, który jest satysfakcjonujący dla regulatora.
Techniki uczenia maszynowego (ML) i sztucznej inteligencji (AI) obiecują znaczące wyniki innowacji w branży AML, ale często są to nieprzezroczyste czarne skrzynki, trudne do uzasadnienia organom regulacyjnym. Ta przeszkoda w przeszłości powodowała, że instytucje finansowe nie decydowały się na inwestycje w ML i AI w ramach swoich programów AML. Oczywiście na rynku już dostępne są rozwiązania, które dają możliwość lepszego wyjaśnienia zasad działania modeli, aby móc im zaufać i wdrożyć do programów AML. To pole jest często określane jako „możliwa do wyjaśnienia sztuczna inteligencja”, czyli z ang. „explainable artificial intelligence” (XAI).
Warto zwracać uwagę na postępy w XAI, ponieważ otwiera to nowe możliwości w AML, które wcześniej mogły zostać pominięte ze względu na obawy dotyczące możliwości uzasadnienia podejmowanych decyzji.
Co tak naprawdę daje wykorzystanie technologii AI i ML w obszarze AML?
– Są dwa główne powody wykorzystania technologii uczenia maszynowego. Po pierwsze, dążymy do poprawy efektywności procesów AML. Naszym celem jest ograniczenie liczby fałszywych alarmów, co bezpośrednio przekłada się na poprawę jakości pracy analityków AML. Wykorzystanie technik ML i AI pozwala automatyzować powtarzalne czynności i ograniczyć tzw. fałszywe alarmy nawet o 50% lub więcej. Drugim czynnikiem jest ograniczenie ryzyka. Dzięki zastosowaniu najnowszych technologii możemy wykrywać podejrzane zjawiska, które nie zostałyby zidentyfikowane przez systemy oparte na scenariuszach. Aby programy AML mogły skutecznie odpowiadać na zmieniające się schematy działalności przestępców, powinny być wyposażone w modele sztucznej inteligencji. Dla banku jest to wymierna korzyść – ograniczenie ryzyka kar oraz utraty reputacji.
Czy transformacja rynku bankowego dotyka też obszaru AML?
– Obecnie jesteśmy świadkami galopującej wręcz transformacji rynku bankowego w kierunku digitalizacji. Analitycy rynku mówią wprost – jeżeli tradycyjne banki nie zmienią swojego modelu prowadzenia biznesu, to w niedalekiej przyszłości zostaną z niczym, a sektor usług płatniczych i bankowych zostanie przejęty przez gigantów technologicznych. Te trendy, przede wszystkim w odniesieniu do płatności (w szczególności płatności natychmiastowych i zagranicznych), są niezmiernie istotne dla programów AML i wymagają od banków ich dostosowania do zmieniających się standardów płatności. Dziś instytucje finansowe muszą przełączyć się na podejmowanie decyzji w czasie rzeczywistym, bez utraty na jakości doświadczeń klienta (ang. user experience).
Od lat technologie podejmowania decyzji w czasie rzeczywistym są dostępne na rynku i szeroko wykorzystywane, m.in. w obszarze wykrywania nadużyć. Obecnie coraz częściej rozmawiamy z bankami o ich zastosowaniu do monitoringu transakcji pod kątem przeciwdziałania praniu pieniędzy. W takim przypadku system może oceniać w czasie milisekund każdą transakcję pod kątem ryzyka prania pieniędzy. Transakcja podejrzana może zostać wstrzymana do czasu manualnej weryfikacji przez eksperta AML lub automatycznie zablokowana przez system. Oczywiście w zależności od powagi podejrzenia oraz specyfiki transakcji należy możliwe decyzje systemu odpowiednio skonfigurować.
Innym obszarem, gdzie można wykorzystać silniki decyzyjne czasu rzeczywistego w zakresie AML jest proces on-boardingu nowych klientów i przeprowadzanie oceny ryzyka, np. podczas składania wniosku o konkretny produkt. Zgodnie z dobrymi praktykami procesu KYC (Know Your Customer) i wymogami regulacyjnymi bank musi na tym etapie uzyskać potwierdzenie tożsamości klienta, zrozumieć istotę jego działalności, źródło pochodzenia majątku, zamiary i oczekiwania finansowe, skąd pochodzi i z jakimi krajami wiąże się jego działalność. Jeśli klient jest osobą prawną, kluczowe jest zrozumienie, jaka jest struktura firmy i kim są beneficjenci rzeczywiści, zazwyczaj polegając na informacjach z zewnętrznych źródeł danych. Odpowiednie przeprowadzenie tego procesu wymaga adekwatnych technologii. A ponieważ banki dążą do zdigitalizowania procesu KYC – całość powinna zadziać się automatycznie i możliwie szybko – najlepiej w czasie rzeczywistym.
Na zakończenie naszej rozmowy – dlaczego AML to temat ważny i dla kogo?
– W rozmowach o przeciwdziałaniu praniu pieniędzy bardzo często skupiamy się na kontekście regulacyjnym i oczywiście jest on bardzo ważny, bo ma dla nas wymiar namacalny i praktyczny. Ale czasem mam wrażenie, że zapominamy o istocie problemu, którą nie są potencjalne kontrole regulatora czy nawet ewentualne kary nałożone na przedsiębiorstwo czy osobę fizyczną. Istotą programów przeciwdziałania praniu pieniędzy jest życie i bezpieczeństwo tych, którzy są bezpośrednio narażeni na konsekwencje prania pieniędzy związane z zagrożeniem terrorystycznym, handlem ludźmi czy innymi przestępstwami. Powstrzymywanie wprowadzania do obiegu środków pochodzących z nielegalnej działalności powoduje, że przestają one być „opłacalne”, czyli nie prowadzą do osiągnięcia zamierzonych korzyści. Dlatego celem globalnym powinno być całkowite uniemożliwianie wykorzystywania środków pochodzących z przestępstw. Do osiągnięcia tego celu prowadzi długa i trudna droga, a patrząc na szacunki wykrywalności na poziomie poniżej 1%, wciąż jesteśmy na jej początku. Warto jednak pamiętać, że uczenie maszynowe i sztuczna inteligencja rozwijają się w bardzo szybkim tempie, a ich wykorzystanie może przynieść wymierne efekty i w krótkim czasie przybliżyć nas do osiągnięcia tego celu.
