下一代反洗钱方案：机器人技术、语义分析
和 AI

数十年来，反洗钱 (AML) 一直是一个热门话题，也是金融机构一个日益严重的监管痛点。例如：《美国爱国者法案》扩大了对检测和报告的规定。纽约 504“最终规则”(The Final Rule) 增添了更为细致和严格的控制要求。而尚待生效的《欧盟反洗钱 5 号令》 (5AMLD) 则要求欧洲企业承担责任，以遵循更严格的美国法规。

真正做好准备的金融机构少之又少。有很多关于利用机器人技术、语义分析和人工智能 (AI) 等先进技术将 AML 措施升级到下一水平的讨论。其目的在于使 AML 流程更加自动化、高效和有效。这是一种对传统的基于规则方法的加强，可降低误报率，更准确地检测和预测值得调查的活动。

在过去 18 个月中，大部分工作都是将 AI 应用于一些唾手可得的成果，例如使用机器人流程自动化来加速调查和准备案件。但是，截至 2018 年，我们开始发现，机器学习的采用不仅可以用于流程自动化、评分和休眠，也可以用于完善甚至取代传统的布尔逻辑，以检测潜在的可疑活动。

借助机器学习支持的 AML 来取得成功的十大关键要点

• 创新，同时也要谨慎。美国当局于 2018 年 12 月发布的一项联合声明呼吁金融机构“考虑、评估并在适当情况下负责任地实施创新方法”，以履行 AML 合规义务。然而，这里有一个明确的信息，即在新的方法得到验证前，要在实验性的沙盒环境或并行情况下实施这一举措。
• 建立严格的模型监控。这些算法是否仍然有效？这些案例是否正经过适当加速或休眠？这些模型是否按需进行监控和调优？特别是在美国之外，对这一层面控制的强调不足。通常情况下，只有在银行陷入困境时和在提出有关模型风险监控问题的新闻中才会对该层面有所强调。
• 跨境安全共享数据。在行业能够以有意义的方式采用机器学习前，我们需要能够在 GDPR 世界中安全地跨境共享数据。我们需要同态加密（允许未经解密而对数据进行计算）这类技术来将理论转化为实践。
• 考虑混合方法。所有人都没有准备好摒弃基于规则的系统，以及完全改用分析模型和机器人技术。我们发现了一种混合方法。在规则有效的地方使用规则，在规则不完善的地方引入模型。在需要从定义良好的行为中识别复杂模式的情况下，分析模型的表现非常出色。
• 认真审视数据基础。AI 和机器学习可以大幅提升 AML 流程的性能。但利用它们处理不良数据毫无意义，因为这样根本无法从中获得任何结果。即使是在大型银行中，数据质量问题也颇为常见。许多银行仍然深受从有风险的视角获得单一客户视图这一基本问题的困扰。
• 采取更加具有分析性的方法进行细分。更加严谨，而不仅仅是划分个人和商业客户，或按交易量来分类。k 均值聚类是一种流行的机器学习算法，可根据变量之间的交互来给实体分组SAS 的一个有远见的客户使用更智能的细分将生产率从 2.8% 提升到了 10.4%。
• 集中关注首要事件，推迟次要事件将调查人员的时间集中用在最有价值的警报上。自动参考或休眠功能使用 AI 引擎，依据多种复杂的风险变量和类别来计算风险评分，然后决定加速或暂缓将警报升级至需要审查的状态。
• 采用机器学习检测小概率事件。无监督学习模型可以在大量数据中进行搜索，找到通过传统方法很难发现的未知风险。您无需知道特定人员或实体是好还是坏，而只需知道哪些是“边缘情况”，即相对于同等对象而言，其行为表现超出正常范畴的情况。
• 将最佳实践嵌入可重用包。在从试点项目中学习时，我们已经将最佳实践打包输入一个机器人中，该机器人可以自动化机器学习模型的创建、发布及重新训练。它可以根据对小概率事件的抽样预选变量和推荐最合适的模型。结果：数据科学家以更少的工作做出更有意义的分析。
• 整合金融犯罪系统和流程。AML 的未来将是把 AML、反欺诈、网络安全和其他风险功能汇聚到一个集中式的统一环境中，该环境拥有整合的数据协调、分析开发、决策、案例管理、报告和监控，并具备贯穿其间的全面、完善的工作流程。

创新型金融机构已经在获取利益

以下是银行应用这些新方法的几种方式：

• 一家二级美国银行用 SAS 神经网络模型替换了其交易监控系统中的 10 种现金活动场景，将 SAR 转换率提升了两倍，同时将每月工作量减少了 50%。
• 一家一级国际银行对近 20 亿项交易应用了一种具备 200 棵树的随机森林模型，并在 10 分钟内发现了 416 个可疑实体，经对这些实体进一步分类，最终得出了数十个生产性案例。
• 另一家一级国际银行使用机器学习驱动的自动化，助力尽职调查文件审查自动化，从而将员工的工作时间从两周缩短至不到一分钟。
• 一家亚太银行借助梯度增加和深度神经网络来自动化警报审查，并将误报率降低了 33%。

随着行业经历大规模数字化转型，以及监管机构不断提高对“合理”控制和监控的定义，下一代 AML 将成为人们关注的焦点。机器人技术、语义分析和人工智能（尤其是机器学习）将成为这次发展演变的重中之重。

随着技术进步，准入门槛已经降低至小型机构力所能及的范围。您无需聘用数据科学家团队。SAS 正将先进 AML 数据科学打包进盒中，以自动执行重复性的手动流程，更准确地检测潜在的可疑活动，并将这些功能以实惠的价格提供给更多的金融服务组织。