26 ноября 2021 г.
Отмывание денег, взяточничество и коррупция, финансирование терроризма, уклонение от уплаты налогов, злоупотребления и инсайдерские операции — список финансовых преступлений становится все более длинным и разнообразным. Усложнение и рост объемов транзакций, изощренность мировых финансовых рынков и цифровая трансформация финансовых институтов открывает двери для новых видов финансового мошенничества. При этом традиционные точечные подходы уже не способны эффективно выявлять все более сложные схемы.
Эксперты Министерства иностранных дел России заявили, что ущерб от киберпреступлений может достичь 6 трлн долл. в 2021 году, что почти в 2,5 раза больше по сравнению с 2019. По их мнению, это рост напрямую связан с Covid-19, так как люди стали массово переходить в онлайн, что неизбежно повлекло за собой увеличение преступлений, связанных с кражей персональных данных.
Специалисты подсчитали, что мошенники, вкладывающие около 1 миллиона долларов в кибератаку, могут получить до 100 миллионов долларов чистой прибыли. Одновременно подразделения по борьбе с финансовыми преступлениями и комплаенс сталкиваются с нормативными и операционными рисками, бюджетными и ресурсными ограничениями, что позволяет преступникам в комфортном для себя темпе создавать новые способы обхода систем безопасности.
В результате финансовые организации по всему миру ежегодно теряют более 4 триллионов долларов. Банки, которые не в состоянии предотвратить факт мошенничества, получают потерю доходов, штрафы и несут репутационные риски. По оценкам Управления финансового надзора Великобритании, отрасль финансовых услуг Великобритании ежегодно тратит более 650 миллионов фунтов стерлингов на работу персонала для борьбы с мошенничеством и другими финансовыми преступлениями. Согласно отчету Казначейства США, затраты на корпоративное управление, риски и соблюдение требований (GRC) составляют примерно 40% от общего бюджета компании.
Ответом на широкий спектр противоправных действий должны стать решения на базе искусственного интеллекта (AI) с использованием продвинутой аналитики больших данных (Big Data), машинного обучения (ML) и обработкой естественного языка (NLP).
Защита от современного мошенничества требует современной защиты
Финансовые учреждения начинают отказываться от старых методов борьбы с мошенничеством. Сегодня подходы, основанные на изучении фрагментированных и разрозненных данных или традиционных точечных решениях, уже не работают. Они не только неэффективны, но и обходятся финансовым компаниям чрезвычайно дорого, поскольку вынуждают группы юристов и специалистов по комплаенсу тратить много времени, пытаясь получить доступ к нужным данным. Согласно исследованию «Agents of Transformation 2021», 72% специалистов обеспокоены отсутствием у них инструментов, необходимых для эффективной борьбы с мошенниками, так как сотрудникам до сих пор приходится вручную обрабатывать большое количество ложных срабатываний, которые обычно генерируются системами, основанными на заданных правилах. Единственный способ получить исчерпывающую информацию — это объединить различные источники данных, в том числе неструктурированные, и использовать расширенную аналитику.
Применение расширенной аналитики и технологий хранения данных на базе решений с искусственным интеллектом лучше всего подходит для защиты от современного сложного банковского мошенничества. Например, Bank of America использует искусственный интеллект не только для обслуживания клиентов и анализа торговых данных, но также и для обнаружения фактов мошенничества с помощью поведенческого профилирования. Это позволяет не ограничивать набор инструментов в борьбе с мошенничеством, и применять комплексный подход, поскольку это позволяет проводить кросс-канальный анализ. Также известная многим финансовая корпорация Visa посредством системы Visa Advanced Authorization (VAA), работающей на базе искусственного интеллекта, помогает эмитентам предотвращать мошеннические операции. Еще на момент 2019 года технология позволила обработать более 127 млрд транзакций и предотвратить мошеннические операции на общую сумму около 25 млрд долларов.
Если анализировать российские примеры, стоит сразу же обратить внимание на кейс оператора «СберМобайл», который запустил в тестовом формате систему по борьбе с телефонным мошенничеством «Аура» на базе искусственного интеллекта. Нейросеть анализирует разговор по нескольким параметрам, в частности, по скриптам, собранными за несколько лет. Так, за несколько месяцев работы «Аура» смогла определить звонки от мошенников с точностью до 80% и звуковым сигналом предупредить об этом абонента. Аналогичный подход взял на вооружение «Тинькофф», который с помощью ИИ производит распознавание голоса и лиц, направленное в том числе на снижение количества мошеннических операций. Голосовая биометрия на базе ИИ позволяет банку за 7 секунд распознать половину своих клиентов, а за 15 секунд — уже 80%
Кроме того, AI позволяет избавить ценных специалистов от ручного труда за счет использования сложных алгоритмов, основанных на машинном обучении, и тратить время на решение более сложных задач. А координацию с необходимыми подразделениями и внешними организациями для сбора информации и принятия важных решений, может взять на себя искусственный интеллект. ИИ помогает с автоматизацией требований, таких как «Знай своего клиента» (KYC) и «Борьба с отмыванием денег» (AML). Оба процесса основаны на сборе данных из различных систем для понимания поведения клиентов и транзакций. Без искусственного интеллекта это может занять очень много времени, задерживая предложение услуг для конечного пользователя и дорого обходясь учреждению.
AI и Big Data
Финансовые учреждения обрабатывают в основном структурированные данные. Но поскольку также необходимо использовать неструктурированные текстовые или графические данные, это открывает возможности для применения продуктов на базе ИИ.
Искусственный интеллект может учиться буквально с нуля. Возможность извлекать уроки из данных, чтобы находить скрытые взаимосвязи и корреляции, указывающие на новое и сложное мошенничество. Автоматизированный подход к генерации правил. Возможность непрерывно анализировать многочисленные источники и типы данных в режиме реального времени. Поддержка адаптивных пороговых значений на основе нарушения шаблона.
Кроме того, операторы должны иметь возможность быстро создавать модели и непрерывно тестировать их друг с другом, поэтому любое решение должно поддерживать создание витрин данных самообслуживания. Но одной возможности обрабатывать данные в больших масштабах недостаточно. Решение также должно быть достаточно гибким, чтобы позволить командам специалистов по обработке и анализу данных напрямую изменять медленные, неточные или устаревшие модели, не дожидаясь вмешательства технического персонала.
Источник: Алексей Никифоров, директор по технологиям Hitachi Vantara в России и СНГ