پایگاه خبری فولاد ایران- مبارزه با پولشویی یکی از مهمترین و موفقترین کاربردهای هوش مصنوعی در بانکداری بین المللی است. بانکهای بزرگ جهان سالانه میلیاردها دلار برای پایش تراکنشها و رعایت مقررات مبارزه با پولشویی هزینه میکنند و هوش مصنوعی بهطور فزایندهای جایگزین سیستمهای سنتی مبتنی بر قواعد ثابت شده است.
1- شناسایی الگوهای پیچیده پولشویی
سیستمهای سنتی معمولاً بر اساس قواعدی مانند تراکنش بالای یک مبلغ مشخص، تعداد زیاد انتقال وجه و انتقال به کشورهای پرریسک هشدار صادر میکنند.
مجرمان بهراحتی میتوانند این قواعد را دور بزنند. اما مدلهای یادگیری ماشین میتوانند رفتار عادی هر مشتری را یاد بگیرند. انحرافهای غیرعادی را شناسایی کنند و روابط پنهان بین افراد و حسابها را کشف کنند.
به عنوان مثال فردی که معمولاً ماهانه 500 دلار جابهجا میکند، ناگهان طی یک هفته دهها تراکنش کوچک به حسابهای مختلف انجام میدهد. حتی اگر هیچ تراکنشی از حد آستانه عبور نکند، مدل میتواند این الگو را مشکوک تشخیص دهد.
2- کاهش هشدارهای اشتباه
یکی از بزرگترین مشکلات واحدهای مبارزه با پولشویی حجم بالای هشدارهای کاذب است.
در بسیاری از بانکها:
• بیش از 90٪ هشدارها در نهایت بیخطر تشخیص داده میشوند.
• کارشناسان زمان زیادی صرف بررسی پروندههای غیرضروری میکنند.
هوش مصنوعی با رتبهبندی ریسک هشدارها:
• موارد کمخطر را فیلتر میکند.
• پروندههای مهم را در اولویت قرار میدهد.
• بهرهوری کارشناسان مبارزه با پولشویی را افزایش میدهد.
3- تحلیل شبکهای
پولشویی معمولاً توسط یک حساب انجام نمیشود بلکه شبکهای از:
اشخاص، شرکتهای صوری، حسابهای واسطه ، کارتها و کیف پولهای دیجیتال درگیر هستند.
هوش مصنوعی و تحلیل گراف میتوانند:
ارتباط میان هزاران حساب را ترسیم کنند. خوشههای مشکوک را شناسایی کنند. ذینفعان واقعی پنهان را پیدا کنند.
نمونه کاربرد:
یک شبکه شامل 50 حساب ظاهراً مستقل ممکن است در عمل توسط یک گروه کنترل شود. تحلیل گراف این ارتباطات را آشکار میکند.
4- شناسایی پولشویی لایهای
مرحله لایهای یکی از پیچیدهترین مراحل پولشویی است که در آن پول از طریق تراکنشهای متعدد جابهجا میشود تا منشأ آن مخفی گردد.
هوش مصنوعی قادر است:
مسیر گردش پول را دنبال کند. زنجیرههای طولانی تراکنش را تحلیل کند و الگوهای تقسیم و تجمیع وجوه را تشخیص دهد.
5- بررسی خودکار مشتریان
هوش مصنوعی در فرآیند بررسی خودکار مشتریان کاربرد گستردهای پیدا کرده است.
موارد استفاده:
• استخراج اطلاعات از مدارک هویتی
• تطبیق اسناد
• بررسی شرکتها
• تحلیل اخبار منفی
• بررسی فهرست تحریمها
این کار زمان افتتاح حساب و بررسی مشتری را بهشدت کاهش میدهد.
6- پایش اخبار و منابع عمومی
مدلهای پردازش زبان طبیعی میتوانند اخبار، گزارشهای قضایی ، اطلاعیههای تحریمی و منابع عمومی را تحلیل کنند.
مثال:
اگر نام یک مشتری در گزارش فساد مالی یا پرونده قضایی مطرح شود، سیستم میتواند بهصورت خودکار سطح ریسک او را افزایش دهد.
7- کشف حسابهای اجارهای و واسطهای
یکی از چالشهای جدید بانکها، حسابهای واسطهای است که برای انتقال وجوه غیرقانونی استفاده میشوند.
هوش مصنوعی میتواند الگوهایی مانند ورود سریع پول ، خروج سریع وجه ، نبود فعالیت اقتصادی طبیعی و تراکنشهای زنجیرهای را تشخیص دهد و حساب را برای بررسی علامتگذاری کند.
8- تولید گزارشهای فعالیت مشکوک
هنگام کشف فعالیت مشکوک، بانک باید گزارشی به نهادهای نظارتی ارائه دهد که به آن گزارشهای فعالیت مشکوک گفته میشود.
هوش مصنوعی مولد اکنون میتواند:
• خلاصه پرونده را تهیه کند.
• شواهد را دستهبندی کند.
• پیشنویس گزارش SAR را تولید کند.
کارشناس انسانی در نهایت آن را بازبینی و تأیید میکند.
چالشها
با وجود مزایا، استفاده از هوش مصنوعی در مبارزه با پولشویی با چالشهایی همراه است:
1. توضیحپذیری مدلها
o نهادهای ناظر میخواهند بدانند چرا یک تراکنش مشکوک تشخیص داده شده است.
2. سوگیری دادهها
o مدل ممکن است به دلیل دادههای تاریخی سوگیری داشته باشد.
3. حریم خصوصی
o تحلیل حجم عظیمی از دادههای مشتریان نیازمند کنترلهای دقیق است.
4. مجرمان هوشمندتر
o شبکههای پولشویی نیز از هوش مصنوعی برای پنهانسازی فعالیتهای خود استفاده میکنند.
به گزارش
ایفنا، بانکهای پیشرو در حال حرکت به سمت سامانههای مبارزه با پولشویی مبتنی بر عاملهای هوشمند هستند؛ یعنی عاملهای هوشمندی که بتوانند:
• تراکنش را بررسی کنند،
• سوابق مشتری را تحلیل کنند،
• شبکه ارتباطات را بسنجند،
• ریسک را محاسبه کنند،
• و پیشنویس گزارش نظارتی را آماده نمایند.
در این مدل، نقش کارشناس مبارزه با پولشویی از «بررسی دستی دادهها» به «نظارت و تصمیمگیری نهایی» تغییر میکند. این تحول احتمالاً طی چند سال آینده ساختار واحدهای مبارزه با پولشویی را بهطور اساسی دگرگون خواهد کرد.