Κάθε χρόνο, οι εγκληματίες ξεπλένουν περίπου 800 δισεκατομμύρια έως 2 τρισεκατομμύρια δολάρια μέσω του παγκόσμιου τραπεζικού συστήματος. Αυτό είναι περίπου 2 έως 5 τοις εκατό του παγκόσμιου ΑΕΠ. Για τα χρηματοπιστωτικά ιδρύματα, η διακοπή αυτής της ροής είναι νομική επιταγή, αλλά είναι επίσης ένας εφιάλτης επιμελητείας. Οι παραδοσιακές μέθοδοι αποτυγχάνουν, πνίγουν τους ερευνητές σε ψευδείς συναγερμούς, ενώ εξελιγμένοι εγκληματίες γλιστρούν μέσα από τις ρωγμές.1
Μια συναρπαστική νέα μελέτη από ερευνητές Chuanhao Nie (Georgia Tech), Yunbo Liu (Duke University) και Chao Wang (Πανεπιστήμιο Rice) εξερευνά πώς η Τεχνητή Νοημοσύνη μεταμορφώνει αυτό το τοπίο. Το χαρτί τους, “Εφαρμογή AI στην καταπολέμηση του ξεπλύματος χρήματος για βιώσιμα και διαφανή χρηματοπιστωτικά συστήματα», υποστηρίζει ότι το μέλλον του καθαρού χρήματος έγκειται στη μετάβαση από άκαμπτους κανόνες σε δυναμικά, έξυπνα δίκτυα.
Το πρόβλημα με το “If/Then”
Για δεκαετίες, οι τράπεζες βασίζονται στην παρακολούθηση βάσει κανόνων. Αυτά τα συστήματα λειτουργούν με απλή λογική: “Εάν ένας πελάτης καταθέσει περισσότερα από 10.000 $ μετρητά, επισημάνετε το.”
Το πρόβλημα, όπως επισημαίνουν οι Nie, Liu και Wang, είναι ότι οι εγκληματίες γνωρίζουν τους κανόνες. «Δομώνουν» τις καταθέσεις ακριβώς κάτω από τα όρια ή διασκορπίζουν κεφάλαια σε δεκάδες λογαριασμούς.2 Εν τω μεταξύ, οι νόμιμοι πελάτες επισημαίνονται συνεχώς για αθώες συμπεριφορές, δημιουργώντας μια πλημμύρα «ψευδών θετικών» που χάνουν εκατομμύρια ώρες λειτουργίας.3 Οι ερευνητές τονίζουν ότι οι παραδοσιακές βάσεις δεδομένων δεν μπορούν εύκολα να «δουν» τον ιστό των συνδέσεων μεταξύ ενός εγκληματία, μιας εταιρείας κέλυφος και ενός λογαριασμού offshore.
Η βασική καινοτομία που παρουσιάζεται σε αυτή τη μελέτη είναι η στροφή από την ανάλυση κονίστρα στην ανάλυση δίκτυα. Οι συγγραφείς προτείνουν ένα σύστημα που συνδυάζει Generative AI με Γραφήματα Γνώσηςμια τεχνική γνωστή ως Graph RAG (Retrieval-Augmented Generation).
Για να καταλάβετε γιατί αυτό έχει σημασία, φανταστείτε τη σανίδα ενός ντετέκτιβ.
Τυπικό AI (Vector RAG): Λειτουργεί σαν μηχανή αναζήτησης. Αναζητά λέξεις-κλειδιά σε έγγραφα. Είναι καλό στο να βρίσκεις γεγονότα αλλά κακό στο να συνδέεις κουκκίδες.
Γράφημα RAG (Η Προσέγγιση των Συγγραφέων): Λειτουργεί όπως ο ντετέκτιβ. Αντιστοιχίζει οντότητες (άτομα, λογαριασμούς, διευθύνσεις) ως «κόμβους» και τις αλληλεπιδράσεις τους ως «άκρες». Κατανοεί ότι το Άτομο Α έστειλε χρήματα στην Εταιρεία Β, η οποία μοιράζεται μια διεύθυνση με το υπό κύρωση πρόσωπο Γ.
Στην τελευταία ενότητα της εργασίας τους, οι Nie, Liu και Wang περιγράφουν λεπτομερώς ένα πείραμα αιχμής σχεδιασμένο για τον εκσυγχρονισμό των πρωτοκόλλων «Γνωρίστε τον Πελάτη σας» (KYC).
Δημιούργησαν ένα συνθετικό τραπεζικό περιβάλλον που περιείχε 10.000 πελάτες και σχεδόν μισό εκατομμύριο συναλλαγές. Στη συνέχεια έβαλαν ένα τυπικό μοντέλο AI εναντίον τους Πράκτορας Graph RAG. Η πρόκληση; Για να απαντήσετε σε σύνθετα ερωτήματα διερεύνησης, όπως ο εντοπισμός πελατών που συνδέονται έμμεσα με οντότητες που υπόκεινται σε κυρώσεις μέσω κοινών διευθύνσεων ή λογαριασμών τρίτων.
Τα αποτελέσματα ήταν έντονα.
Το Standard AI δυσκολεύτηκε με πολύπλοκη συλλογιστική, απαντήσεις με συχνά ψευδαισθήσεις ή αποτυχία ανάκτησης του σχετικού πλαισίου (σημείωνε σχεδόν μηδέν σε σύνθετες συλλογιστικές εργασίες «Επίπεδο 5»).
Ο Πράκτορας Graph RAG διέπρεψε. Πέτυχε υψηλή «πιστότητα» και «συνάφεια απαντήσεων», ανιχνεύοντας με επιτυχία τις σχέσεις πολλαπλών βημάτων για να παρέχει ακριβείς, τεκμηριωμένες αξιολογήσεις κινδύνου.
Αυτή η έρευνα δεν αφορά μόνο τη σύλληψη κακών. πρόκειται για βιωσιμότητα. Οι συγγραφείς υποστηρίζουν ότι τα τρέχοντα συστήματα συμμόρφωσης είναι λειτουργικά σπάταλα. Με την ενσωμάτωση της τεχνητής νοημοσύνης που δημιουργεί λιγότερους ψευδείς συναγερμούς και σαφέστερες εξηγήσεις, οι τράπεζες μπορούν να δημιουργήσουν πιο διαφανή και βελτιστοποιημένα για τους πόρους χρηματοοικονομικά συστήματα.
Ωστόσο, οι συγγραφείς προειδοποιούν ότι εξακολουθούν να υπάρχουν προκλήσεις. Οι νόμοι περί απορρήτου (όπως ο GDPR) καθιστούν δύσκολη την κοινή χρήση δεδομένων μεταξύ των τραπεζών και τα μοντέλα τεχνητής νοημοσύνης πρέπει να είναι «εξηγήσιμα»—μια ρυθμιστική αρχή πρέπει να γνωρίζει Γιατί το AI επισήμανε μια συναλλαγή, όχι μόνο αυτό.4
Αποδεικνύοντας ότι η τεχνητή νοημοσύνη που βασίζεται σε γραφήματα μπορεί να συλλογιστεί σαν ερευνητής αντί να υπολογίζει απλώς σαν υπολογιστικό φύλλο, οι Nie, Liu και Wang έχουν χαράξει μια πορεία προς ένα χρηματοπιστωτικό σύστημα που είναι πιο δύσκολο να το εκμεταλλευτείς και πιο εύκολο να το εμπιστευτείς.
VIA: DataConomy.com
