یک افسر پلیس خوب با این فرض کار می کند که برای دستگیری یک جنایتکار باید مانند یک جنایتکار فکر کنید و حرکت بعدی او را پیش بینی کنید.
تشخیص ناهنجاری می تواند الگوهای تراکنش را مدل کند تا رفتار مجرمانه برجسته شود
در حالی که تجزیه و تحلیل رفتار گذشته ممکن است در دستگیری مجرمان سریالی خاص موفق باشد، مجرمانی که می خواهند پولشویی کنند، این روش کار را پیش بینی می کنند و معمولاً به یک الگو پایبند نیستند.
با این حال، سیستم های ضد پولشویی (AML) و کلاهبرداری طوری طراحی شده اند که مانند افسر فوق الذکر ما عمل کنند. آنها قرار است از قوانین مبتنی بر رفتار جنایتکارانه دیروز پیروی کنند، در حالی که مجرمان از قبل حرکت بعدی خود را انجام می دهند، از الگوها اجتناب می کنند و به دنبال سردرگمی هستند، متخصصان ریسک و پیروی را به یک بازی بی پایان گربه و موش می کشانند.
ما شاهد سطحی از پیچیدگی هستیم که در آن مسیرهای پول توسط آربیتراژ نظارتی، شرکت های پوسته و هزاران قاطر پول مخفی شده است. ردیابی و پیشی گرفتن از همه آنها عملاً غیرممکن است.
در حالی که موتورهای تشخیص قدرتمندتر شده اند، اما همچنان به خوبی مدل های موجود در داخل هستند. ساخت، تنظیم و استقرار این مدل ها هنوز یک پروژه پیچیده و اغلب دست و پا گیر با زمان های طولانی است که با ماهیت سیال شیوه های عملیات جنایی مطابقت ندارد.
یک نتیجه دردناک این است که 95 تا 99 درصد از فعالیت های مشکوک گزارش شده شامل موارد مثبت کاذب است – تراکنش هایی که در نهایت غیرقانونی نبودند، بلکه صرفاً مشتری پرداختی انجام می داد که با ویژگی های قوانین تعیین شده در بانک مطابقت داشت. قوانینی که در مورد رفتار مجرمانه منسوخ وضع شده بودند.
این سوال پیش می آید: چرا چیزی را که نمی دانید تعقیب می کنید؟
در مقایسه، موسسات مالی اطلاعات زیادی در مورد مجرمان ندارند. آنها فقط چند نقطه پایه از داده های خود را تشکیل می دهند. و این جنایتکاران وقتی با کنترل ها روبرو می شوند رفتار خود را تغییر می دهند.
این یک واقعیت بسیار چالش برانگیز برای مدل سازی در چارچوب زمانی مورد نیاز برای تشخیص موثر است. آن را برگردانید و می‌بینید که اکثریت قریب به اتفاق داده‌ها مربوط به مشتریان خوب با رفتار خوب است، که آنقدرها تغییر نمی‌کند - یا حداقل نه به اندازه رفتار مجرمانه.
بنابراین می توان این رفتار را با دقت بیشتری مدل سازی کرد. مزیت بزرگ این رویکرد، به نام تشخیص ناهنجاری، این است که وقتی این الگوهای رفتار خوب را درک کردید، الگوهای مجرمانه به وضوح برجسته می شوند. هر دو الگوی شناخته شده و ناشناخته قابل مشاهده می شوند.
مؤسسات مالی شواهد قانع‌کننده‌ای می‌بینند که نشان می‌دهد این رویکرد در کشف جرایم مالی به شیوه‌ای مشتری‌پسند بسیار مؤثرتر است.
به عنوان مثال، اغلب سودآورترین مشتریان آنها کسانی هستند که عجیب ترین انواع الگوهای معاملاتی را دارند. بنابراین، زمانی که با کنترلی مواجه می‌شوند که تلاش می‌کند تراکنش را انجام دهد، احتمال اصطکاک آنها بسیار بیشتر است. هنگامی که آن تراکنش را با رفتار تاریخی این مشتری و رفتار همتایان او جبران کنید، احتمالاً به این نتیجه خواهید رسید که تراکنش در الگوی عادی برای آن مشتری قرار می گیرد. به شرکت‌هایی فکر کنید که بر اساس ماهیت کسب‌وکارشان، شعبه‌هایی در کشورهای دیگر دارند، یا دی‌جی‌ها و ستاره‌های راک که از مناطق زمانی که در سراسر جهان سفر می‌کنند سرپیچی می‌کنند.
با این حال، تغییر رویکرد تشخیص ناهنجاری با تمرکز بر رفتار قانونی مشتری به تنهایی کافی نیست. فرآیند علم داده عمدتاً دستی برای تولید مدل‌های تشخیص باید تسریع شود تا با مقررات، تغییرات در رفتار مجرمانه و تغییر مداوم کانال‌ها و تجارت همگام شود. استقرار تشخیص ناهنجاری بر اساس یادگیری ماشین خودکار (AutoML) یکی از استراتژی‌هایی است که می‌توان از آن برای بهبود فرآیندها در اینجا استفاده کرد.
یک مانع حیاتی برای پذیرش هوش مصنوعی و یادگیری ماشین، توضیح لازم برای اهداف انطباق است. عملکرد تجاری ریسک (و انطباق) موارد استفاده نسبتا کمی از هوش مصنوعی و یادگیری ماشینی اتخاذ شده دارد. اکثریت قریب به اتفاق پروژه های علم داده از مرحله تحقیق به مرحله استقرار حرکت نمی کنند.
در چالش «ماشین در مقابل انسان»، مدیران مسئول، افسران انطباق و حسابرسان اغلب قادر به اعتبار بخشیدن به ساختارهای این مدل‌ها با سطح اطمینان کافی نیستند.
راه حل ها باید تصمیم گیرندگان غیر دانشمند داده را قادر سازند تا مدل را برای حسابرسان و تنظیم کننده ها به طور یکسان توضیح دهند. اگر یک مدل بسیار پیچیده در کشف جرایم مالی موفق شود، اما نتوان آن را برای این سهامداران توضیح داد، به سادگی به تولید نخواهد رسید. بهترین راه حل ها ترکیبی بهینه از عملکرد و توضیح پذیری را خواهند یافت.
حرکت از رویکردهای دستی به توسعه مدل با تمرکز بر کشف الگوهای مجرمانه کاملاً یک تحول فرهنگی خواهد بود. اما ممکن است کلید حل مشکلی مانند جرایم مالی جهانی باشد.
