Sztuczna inteligencja znajduje coraz szersze zastosowanie w walce z praniem pieniędzy

Wykorzystanie sztucznej inteligencji (AI) w procesach przeciwdziałania praniu pieniędzy (AML) stało się krytyczne dla instytucji finansowych w kontekście zapewnienia zgodności z regulacjami i zwalczania przestępstw finansowych. Jednak najnowsze badanie przeprowadzone przez firmę SAS we współpracy z KPMG, wykazało duże zainteresowanie technologią AI, ale jej ograniczone wykorzystanie w tym obszarze.

Potwierdza to raport przygotowany na podstawie globalnej ankiety przeprowadzonej wśród 850 członków Stowarzyszenia Certyfikowanych Specjalistów ds. Przeciwdziałania Praniu Pieniędzy (ACAMS). Tylko 18% respondentów zgłosiło wykorzystywanie rozwiązań sztucznej inteligencji i uczenia maszynowego (ML) w pełnym zakresie, kolejne 18% prowadzi projekty pilotażowe, natomiast 25% planuje wdrożyć AI i ML w ciągu najbliższych 12-18 miesięcy. 40% ankietowanych nie planuje zastosowania tych technologii w najbliższej przyszłości. Jeśli chodzi o generatywną sztuczną inteligencję (GenAI), to 10% respondentów twierdzi, że obecnie prowadzi projekty pilotażowe, a 35% analizuje możliwości GenAI, natomiast 55% respondentów nie planuje wdrożenia tej technologii.

„Praktycy AML uważają, że organy regulacyjne „ochłodziły” swoje podejście do  sztucznej inteligencji” – powiedział Kieran Beer, Chief Analyst and Director of Editorial Content w ACAMS. „51% procent ankietowanych ekspertów stwierdziło, że regulatorzy zachęcają ich do innowacji z wykorzystaniem AI/ML – to 15-punktowy spadek w porównaniu z poprzednią edycją tego badania z 2021 roku. Liczba osób, które stwierdziły, że organy regulacyjne obawiają się lub są ostrożne w kwestii wykorzystania AI/ML wzrosła z 28% do 36%, a liczba osób opisujących instytucje nadzorcze jako „oporne na zmiany” wzrosła ponad dwukrotnie z 6% do 13%”.

„Sztuczna inteligencja i uczenie maszynowe nie są magicznym rozwiązaniem dla każdego wyzwania związanego z przeciwdziałaniem przestępstwom finansowym. Pokazują jednak, że są coraz bardziej skuteczne w różnych obszarach – zwłaszcza tych obejmujących duże ilości danych” – powiedział Timo Purkott, Global Fraud and Financial Crime Transformation Lead w KPMG International i Partner w KPMG w Niemczech. „Obejmuje to automatyzację alertów, generowanie ocen ryzyka dla całego przedsiębiorstwa, zgłaszanie podejrzanych działań, kontrole AML, dążenie do zmniejszenia liczby fałszywych alarmów i wiele innych zastosowań. Organizacje muszą inwestować w infrastrukturę zarządzania danymi, aby zmaksymalizować wartość sztucznej inteligencji i uczenia maszynowego oraz wyprzedzić przestępców”.

Sztuczna inteligencja i uczenie maszynowe generują wartość, gdy są w pełni wdrożone

Badanie przyniosło szereg spostrzeżeń na temat tego, w jaki sposób technologia AI jest wykorzystywana w obszarze przeciwdziałania praniu pieniędzy i dlaczego firmy mogą być powolne w jej pełnej integracji ze swoimi operacjami:

• Organizacje identyfikują więcej zastosowań dla AI/ML. W pierwszej edycji badania w 2021 r., jako główny powód wykorzystania AI/ML, 78% respondentów podało poprawę jakości procesów dochodzeń i ustaleń regulacyjnych (40%) lub zmniejszenie liczby fałszywych alarmów (38%). W tym roku odpowiedzi na to pytanie były bardziej zróżnicowane. Te dwie najważniejsze odpowiedzi były nadal takie same, ale ich łączny odsetek spadł o 11 punktów procentowych do 67%. Tymczasem wykrywanie złożonych zagrożeń wzrosło z 17% do 21%, a „żadne z powyższych” wzrosło z 5% do 13%.
• Zmieniły się powody, dla których nie przyjęto AI/ML. W 2021 r. główną przeszkodą w stosowaniu sztucznej inteligencji były ograniczenia budżetowe (39%). W najnowszym badaniu odsetek ten spadł do 34% i został wyprzedzony przez brak imperatywu regulacyjnego, który wzrósł nieznacznie do 37%. Brak dostępnych kompetencji również staje się coraz mniejszym problemem, a odsetek ten spadł o prawie połowę do 11%. Jednak kategoria „Inne” odnotowała znaczny wzrost z 5% do 19%.
• Zmniejszenie liczby fałszywych alarmów jest rosnącym priorytetem. Zapytani o swoje priorytety w zakresie wdrażania AI/ML, eksperci AML wymienili redukcję fałszywych alarmów w istniejących systemach nadzoru na poziomie 38% (wzrost o 8% od 2021 r.). Automatyzacja wzbogacania danych na potrzeby dochodzeń i due diligence (25%) oraz wykrywanie nowych zagrożeń za pomocą zaawansowanych technik modelowania (23%) również pozostały popularnymi odpowiedziami, choć oba spadły o kilka punktów w porównaniu z poprzednim badaniem. Pozostałe 13% respondentów wymieniło segmentację klientów na potrzeby analizy behawioralnej. Zmniejszenie liczby fałszywych alarmów było również główną odpowiedzią na pytanie, który obszar oferuje największą wartość z AI/ML, na poziomie 38%. Jednak pozostałe dwa dostępne wybory – lepsze i szybsze dochodzenia (34%) oraz triaging alertów wysokiego i niskiego ryzyka (28%) – nie były daleko w tyle.
• Uczenie maszynowe jest preferowaną technologią. Poproszeni o uszeregowanie trzech technologii w oparciu o ich wpływ, uczenie maszynowe ponownie okazało się najlepszym wyborem – 58% wskazań, co oznacza wzrost o 6% od 2021 roku. Automatyzacja procesów odnotowała odpowiedni spadek do 28%, podczas gdy przetwarzanie języka naturalnego (NLP) było ostatnim wyborem na poziomie 14%.

Budowanie przewagi konkurencyjnej

„Kluczem do uwolnienia pełnego potencjału sztucznej inteligencji i uczenia maszynowego jest integracja źródeł danych, zespołów i technologii.  Pierwszym krokiem w kierunku tej integracji jest ustanowienie ekosystemu danych, który łączy dane ze wszystkich źródeł” – powiedział Stu Bradley, Senior Vice President of Risk, Fraud and Compliance Solutions w SAS. „86% respondentów badania zgłosiło pewną formę integracji między procesami przeciwdziałania praniu pieniędzy i nadużyciom oraz bezpieczeństwem informacji. Prawie jedna trzecia z nich posiada w pełni zintegrowane możliwości zarządzania sprawami w ramach tych funkcji. Kolejna jedna trzecia współpracuje za pośrednictwem wielofunkcyjnych zespołów w celu wdrożenia kontroli zapobiegających narażeniu na przestępstwa finansowe. Niektóre organizacje mogą wciąż czekać na wytyczne regulacyjne. Jednak firmy, które już dziś dążą do integracji danych i operacji z myślą o zarządzaniu, kładą podwaliny pod odpowiedzialne innowacje w zakresie sztucznej inteligencji i będą cieszyć się przewagą nad tymi, którzy się wahają”.

Raport The road to integration: The state of AI and machine learning adoption in anti-money laundering compliance, będący kontynuacją podobnej ankiety opublikowanej w 2021 r., bada obecny stan wykorzystania technologii AI i ML w obszarze przeciwdziałania praniu pieniędzy. SAS opublikował też pulpit nawigacyjny, który umożliwia użytkownikom przeglądanie, wizualizację i filtrowanie wyników ankiety według regionu i wielkości instytucji.

Źródło: ACAMS