下一代反洗錢技術 – 智慧機器人、語意分析和
人工智慧 (AI)

數十年來，反洗錢 (AML) 一直是社會熱議的話題 − 也是對於金融機構來說日益嚴重化的監管痛點。例如，《美國愛國者法案》擴大了對偵測和舉報 AML 的要求。紐約州第 504 條法規「最終規則」新增了更為細化和嚴格的管控期望。另外，即將生效的第五條歐盟反洗錢指令 (5AMLD) 規定歐洲企業有責任履行相關的美國法規。

只有極少數金融機構確實做好了準備。人們的廣泛討論將智慧機器人技術、語意分析和人工智慧 (AI) 的 AML「武器庫」推上了風口浪尖，而這一切的目的，就是為了讓反洗錢流程更加有效且高效。其中，既涉及增強傳統的規則式方法來降低誤報率，也涉及更準確地偵測值得進行調查的活動。

在過去的 18 個月中，我們所做的大部分工作都是將 AI 應用於一些容易實現的目標，例如使用機器人流程自動化來更快地調查和準備案件。然而，我們從 2018 年開始發現，機器學習不僅能用於流程自動化、評分和休眠，還可以補充甚至取代傳統的布林邏輯來偵測潛在的可疑活動。

機器學習驅動的AML，能推動成效的十大關鍵

• 謹慎地創新。2018 年 12 月，美國多家金融當局發表了一份聯合聲明，呼籲金融機構「考慮、評估並在適當情況下負責任地實施創新方法」，以履行 AML 合規義務。不過，對此而言，有一條訊息是非常明確的，那就是在新方法得到驗證之前，必須採用實驗沙盒或進行並行測試。
• 確立嚴格的治理模式。演算法是否仍然可行？案件是否得到適當加急處理或暫緩處理？是否有必要對模型進行監控和調整？尤其是在美國之外的國家/地區，可能對這一層控制缺乏足夠重視。往往只有當銀行陷入困境並引發新聞時，才會湧現關於模型風險治理的問題。
• 跨越邊界安全共用資料。在業界開始採用機器學習發展有意義的應用前，必須先確保能夠安全地在 GDPR 領域中跨邊界共用資料。我們必須採用同態加密 (允許在不解密資料的情況下對資料執行計算) 之類的技術，才能讓理論變成現實。
• 考慮同時採用多種方法。沒有人願意放棄基於規則的系統，並使用分析模型和機器人技術完全取而代之。我們正在親眼見證一種混合方法。在規則可發揮作用之處使用規則；在規則無法應對問題時使用模型。在需要從明確定義的行為中識別出複雜模式的情況下，分析模型就會大放異彩。
• 深入瞭解資料基礎。AI 和機器學習可以極大提升 AML 流程的效能。針對不良資料採用人工智慧和機器學習毫無意義；您無法從中得到任何益處。即使是對大型銀行而言，資料質量問題也很常見。許多銀行仍在苦苦從事於全局把握風險，並獲取客戶全面、單一視圖的基礎工作。
• 採用更具分析性的方法來建立分群。不僅僅是將個人客戶和商業客戶分開，或依交易量對組織分類，還要採取更加嚴格的措施。K 均值叢集是一種流行的機器學習演算法，可以基於不同變數之間的互動，來將實體分入不同群組。透過以更智慧的方式建立分群，一位有遠見的 SAS 客戶的生產率由 2.8% 提高到了 10.4%。
• 專注於處理重要的事務，推遲較晚受影響的事務。讓調查人員集中精力關注最具價值的提醒。自動推薦或休眠功能會基於多種複雜的風險變數和類別，利用 AI 引擎來計算風險得分，然後加快升高警示或推遲待審查提醒。
• 使用機器學習偵測極少發生的事件。非監督式學習模型可用於處理大量資料，以揭露使用傳統方法難以發現的部分風險。您不一定要知道人們的善與惡，您只要尋找那些涉及「邊緣案例」的人員，即與同類人員相比，存在異常行為的人員。
• 將最佳做法融入可重複使用的資料包。根據從試點專案中掌握的資訊，我們將最佳做法融入一個機器流程，以自動建立、發佈和重新訓練機器學習模型。它能夠預先選擇變數，並基於對少見事件的採樣建議最佳適配模型。由此取得的成果：在減少資料科學家工作量的同時，實現更有意義的資料分析。
• 整合金融犯罪系統與流程。未來的 AML 會將 AML、詐欺、網路安全和其他風險函數融合到一個集中的統一環境中，不僅將資料編排、分析開發、決策制定、案例管理、報表和治理整合於一處，並在這些工作之間形成一個能完全解決問題的更全面工作流程。

創新型金融機構已經在享受由此帶來的益處

以下解析幾家銀行應用這些新方法的方式：

• 美國一家Tier2銀行將其交易監控系統中的 10 個現金交易方案替換為 SAS 神經網路模型後，其 SAR 轉化率提高了三倍，而每月工作量減少了 50%。
• 一家Tier1的國際級銀行透過200棵決策樹組成的隨機森林模型，在10分鐘內掃描將近20億筆交易後，立即發現其中416筆為可疑交易，並且經過後續調查，確認其中數十起案件為金融犯罪事件。
• 透過使用機器學習，另外一家全球Tier1的銀行在盡職調查中實現了文件檢閱自動化，將員工工時從2週縮短到了少於1分鐘。
• 亞太地區一家銀行在採用梯度提升和深度神經網路方法來自動檢閱提醒後，誤報率降低了 33%。

隨著業界經歷大規模數位化轉型以及監管機構不斷提高對「合理」控制和治理的定義標準，下一代 AML 正走在時代最前端。智慧機器人、語義分析和人工智慧 (特別是機器學習) 將成為這一變革的核心。

隨著技術的進步，進入門檻已經降低到小型機構可接受的範圍以內。您不必在組織中儲備一大批資料科學家。SAS 將進階 AML 資料科學知識「打包」在一起，以自動執行重複的手動流程，更準確地偵測潛在的可疑活動，並以更具成本效益的方式，將這些功能交付給更多的金融服務組織。