Donnez un coup de pouce à votre système de suivi des transactions (TMS) basé sur des règles grâce à l'IA et à l'apprentissage automatique
L'augmentation du volume de données disponibles pour l'humanité au cours de la dernière décennie a mis en évidence une faiblesse dans la façon dont nous pensons en tant qu'êtres humains. L'être humain n'est pas doué pour prendre des décisions qui reposent sur la prise en compte de nombreuses variables.
Les scientifiques s'en doutent depuis longtemps. Dès 1956, George A. Miller a publié un article dans laPsychological Review qui montrait que les êtres humains traitent au maximum cinq à neuf variables lorsqu'ils prennent des décisions. La prochaine fois que vous prendrez une décision, prenez une minute pour noter les variables que vous avez prises en compte dans le cadre de ce processus décisionnel. Vous situez-vous à l'extrémité inférieure ou supérieure de cette fourchette de cinq à neuf variables ?
Miller a reçu une telle attention pour cet article qu'il l'a republié plus tard avec quelques ajouts qui ont montré qu'avec l'aide de "plusieurs dimensions de stimulus, de recodage et de divers dispositifs mnémotechniques", cette gamme pouvait être augmentée, mais pas de beaucoup.
Intuitivement, nous comprenons que plus d'informations devraient conduire à une meilleure prise de décision, et nous voulons donc rationnellement disposer d'autant de données que possible. En même temps, nous avons tous fait l'expérience de la surcharge d'informations et de la paralysie de l'analyse qui s'ensuit et qui peut conduire à un blocage de la prise de décision ou à une prise de décision sous-optimale.
Les limites des systèmes de contrôle des transactions fondés sur des règles
C'est le cas lorsqu'il s'agit d'un système de surveillance des transactions AML basé sur des règles pour la détection de la criminalité financière. Les volumes de données disponibles ont augmenté avec la numérisation des paiements, l'identité numérique et les données relatives à la connaissance du client (KYC). Le système de surveillance des transactions dispose désormais de téraoctets de données. Cela devrait suffire à établir un profil comportemental des clients qui nous permette de savoir qui utilise son compte bancaire pour acheter un café Starbucks sur le chemin du travail et qui est un caïd au centre d'un réseau international de blanchiment d'argent. Pourtant, les systèmes responsables de ces déterminations produisent systématiquement un grand nombre de faux positifs et ne parviennent pas à s'adapter aux nouvelles typologies de criminalité financière à mesure qu'elles apparaissent.
La réponse réside dans la manière dont le logiciel de suivi des transactions examine les données relatives au buveur de café et au caïd du blanchiment d'argent, et dans la manière dont ces systèmes prennent des décisions sur la base de ces données. Depuis plus d'une décennie, les systèmes de contrôle des transactions qui se trouvent à l'intersection entre un client bancaire et la banque de son choix, le système chargé de détecter s'il s'agit d'une autre commande de Starbucks ou d'une partie de quelque chose de plus sinistre, s'appuient sur un système basé sur des règles.
Un système basé sur des règles devrait être familier à chacun d'entre nous. Il s'agit du même système que celui que nous utilisons tous les jours pour prendre des décisions. Si X est vrai et Y est faux, alors Z doit être un blanchisseur d'argent ou commettre une fraude au paiement. Le problème est que ce système basé sur des règles est exposé aux mêmes contraintes et limitations logiques que les humains.
Les avantages des systèmes de surveillance des transactions basés sur l'IA et l'apprentissage automatique dans le cadre de la lutte contre le blanchiment d'argent.
Un système basé sur l'apprentissage automatique et l'IA constitue une bien meilleure façon d'examiner les mêmes données dans le cadre de la lutte contre le blanchiment d'argent (AML). Pourquoi ?
L'apprentissage automatique nous permet de concevoir de nombreuses caractéristiques et de les utiliser pour prendre des décisions objectivement plus éclairées. Il y parvient en ajoutant un plus grand nombre de variables pouvant être utilisées pour prendre une décision et en ajoutant des variables dont la probabilité de prédiction est plus élevée. Une caractéristique élaborée est créée en prenant les mêmes données qu'un système basé sur des règles et en créant de nouvelles combinaisons statistiquement significatives avec ces mêmes données. Il peut s'agir de nombreuses catégories différentes, telles que les caractéristiques agrégées, les caractéristiques de réseau, les caractéristiques de changement de comportement et les caractéristiques de profil d'entité (utilisées dans la résolution d'entité).
Les données relatives aux caractéristiques sont ensuite introduites dans des modèles d'apprentissage automatique afin de produire un résultat qui peut être une réponse binaire "oui" ou "non", comme c'est le cas avec les algorithmes de classification, ou un résultat qui peut être une échelle mobile de probabilités, comme c'est le cas avec les algorithmes de régression. Quoi qu'il en soit, une décision est prise, et alors qu'un système basé sur des règles peut prendre en considération cinq à dix variables, un système basé sur l'apprentissage automatique prendra en considération des centaines, voire des milliers de ces variables en ajoutant ces caractéristiques techniques à l'ensemble des informations disponibles.
Questions importantes avant de passer à l'IA et à l'apprentissage automatique pour le suivi des transactions de lutte contre le blanchiment d'argent.
En tant qu'êtres humains, nous avons l'intuition que des informations plus nombreuses et de meilleure qualité conduisent à une meilleure prise de décision, mais seulement si elles peuvent être utilisées efficacement dans le processus de prise de décision. Cela nécessite de nouvelles façons d'aborder le problème, des façons pour lesquelles l'apprentissage automatique et l'IA sont mieux adaptés.
Par conséquent, si vous constatez que vous êtes inondé de faux positifs et que vous n'arrivez pas à suivre les nouvelles typologies de prévention de la criminalité financière, ou si vous êtes un gouvernement, une banque, une institution financière ou l'un de leurs clients, posez-vous les questions suivantes :
Combien de caractéristiques sont utilisées dans le cadre du processus de prise de décision du système de surveillance des opérations de lutte contre le blanchiment d'argent ?
Quelles sont les caractéristiques techniques les plus prédictives pour notre population statistique ?
Notre approche fondée sur le risque est-elle limitée par nos propres limites humaines lorsqu'il s'agit de prendre des décisions, ou utilisons-nous une approche du risque fondée sur l'apprentissage automatique et l'IA ?
En gardant ces questions à l'esprit, cela vous aidera à trouver la meilleure approche pour votre organisation.
Comment SymphonyAI utilise l'IA et l'apprentissage automatique dans son logiciel de surveillance des transactions AML
Avec SensaAI for AML, SymphonyAI utilise l'IA et l'apprentissage automatique à bon escient, permettant aux institutions financières de dépasser la détection basée sur des règles pour découvrir des anomalies, naviguer dans des réseaux complexes de relations et réduire de manière significative les faux positifs.
SensaAI renforce les systèmes existants de surveillance des transactions AML, éliminant le besoin d'une refonte complète en armant les enquêteurs de puissantes capacités d'IA. L'intégration transparente avec n'importe quelle configuration TMS existante rend le déploiement rapide et sans douleur, permettant des améliorations immédiates de la compréhension des entités et des alertes d'une institution.
Découvrez les activités suspectes que le système de surveillance des transactions n'a pas détectées grâce à l'IA avancée qui détecte les anomalies complexes dans les transactions, ce qui améliore la précision de la détection des risques et permet d'identifier et de prévenir la criminalité financière de manière proactive. La conformité continue est simplifiée grâce à la transparence du modèle qui répond ou dépasse les exigences en matière d'explication dans toutes les principales juridictions mondiales.
Contactez-nous pour savoir comment SensaAI for AML peut améliorer votre solution actuelle de surveillance des transactions.
