Direct naar inhoud

De mogelijkheden van Artificial Intelligence bij transactiemonitoring

11 oktober 2018 08:28

Geschreven door Evert Haasdijk (Deloitte) en Kim van Heugten (Deloitte)

Financiële instellingen spelen een cruciale rol bij het voorkomen en melden van financiële misdrijven. In dit kader is men de afgelopen jaren het belang van effectieve transactiemonitoring zowel vanuit de optiek van de toezichthouder als vanuit de financiële instellingen steeds meer gaan benadrukken. 

De complexiteit van de systemen die transacties monitoren, het onderzoek naar verdachte transacties ondersteunen en van daaruit rapportage-mogelijkheden bieden is de afgelopen jaren sterk toegenomen. Europol directeur Rob Wainwright gaf bij zijn afscheid eerder dit jaar al aan dat de huidige praktijk niet voldoet: “de banken geven $20 miljard per jaar uit aan compliance, en we confisqueren jaarlijks 1 procent van de criminele bezittingen in Europa.” De systemen gaan gebukt onder de grote hoeveelheden onterechte alerts waardoor het efficiënt en effectief afhandelen van de alerts in het gedrang komt en er weinig oog is voor het beter detecteren van risicovolle transacties die nu niet worden herkend.

In de guidance van DNB rondom transactiemonitoring wordt al aangestipt dat geavanceerde data-analyse en artificial intelligence (AI) een rol kunnen spelen bij het verminderen van het risico dat banken misbruikt worden voor witwassen of de financiering van terreur. Deze technieken kunnen bijdragen aan efficiëntere, effectievere en veerkrachtigere transactiemonitoring. Vanuit Deloitte houden wij ons bezig met AI en fraudebestrijding. In dit artikel beschrijven we kort de mogelijkheden die AI biedt om een efficiencyslag te maken rondom transactiemonitoring.

Wat is Artificial Intelligence

AI is een breed begrip dat technieken omvat als machine learning, tekst analyse, planning en automatisch redeneren. De diversiteit van de technieken, toepassingen en de snelheid van de ontwikkelingen in dit veld geven aan de ene kant aanleiding tot groot enthousiasme over de mogelijkheden en leiden aan de andere kant tot verwarring over de toepassing in concrete gevallen.

In het vervolg van dit artikel gaan we in op een aantal verbeteringen die AI kan bieden in het proces rondom transactiemonitoring ter detectie van witwassen en terrorisme financiering, zoals weergegeven in de figuur hieronder. Tenslotte geven we een kort overzicht van randvoorwaarden en uitdagingen bij het invoeren van deze verbeteringen.

Pre-Transaction Monitoring

Pre-transaction monitoring (ook wel: transaction filtering) kan verbeterd worden door het gebruik van moderne tekst analyse methodes. Het herkennen van gesanctioneerde partijen in de omschrijvingen van (trade finance) transacties, bijvoorbeeld, kan nauwkeuriger als de controle herkent welke delen van de omschrijving bij een overschrijvingsopdracht een eigennaam kunnen zijn. Binnen de AI staat dit bekend als named entity recognition, waarvoor diverse methodes beschikbaar zijn. De meeste van die methodes kunnen voor willekeurige talen worden getraind om eigennamen te herkennen. Het zoeken of een bij een transactie betrokken partij op een sanctielijst voorkomt kan een stuk nauwkeuriger worden als op deze manier alleen echte eigennamen worden vergeleken met de namen in de sanctielijsten. Dat is vooral van belang als de naam of alias van een gesanctioneerde (bijna) hetzelfde is als een gewoon woord in een van de vele talen waarin een omschrijving kan zijn geschreven.

Post-Transaction Monitoring

Post-transaction monitoring oplossingen die nu in gebruik zijn maken onvoldoende gebruik van de mogelijkheden die moderne (data-gebaseerde) technieken bieden. Ze zijn gebaseerd op beslisregels die de complexiteit van klantgedrag niet kunnen bevatten, met als gevolg grote hoeveelheden onterechte alerts (zogenaamde false positives).

Moderne machine learning methodes bieden kansen om nauwkeuriger regels, die deze complexiteit wel kunnen bevatten, te leren op basis van historische data. Dergelijke classificatie modellen zijn veel voorkomende toepassingen van data-gedreven AI. Een dataset met voorbeelden uit het verleden wordt geanalyseerd om tot een regel te komen die de uitkomst van nieuwe gevallen kan voorspellen op basis van voorhanden attributen. Bekende moderne machine learning methodes om dit soort modellen te ontwikkelen — bijvoorbeeld support vector machines, neurale netwerken en random forest modellen – kunnen vaak zeer accuraat zijn omdat ze alle relevante attributen en de interacties daartussen meenemen om tot een classificatie te komen. De verbeterde nauwkeurigheid zal het aantal false positives verminderen (zonder toename van het aantal false negatives) zodat de afhandeling minder tijd kost en bovendien minder frustrerend is.

Regels die met machine learning worden ontwikkeld zijn wel minder makkelijk te doorgronden en hun kwaliteit is volledig afhankelijk van de kwaliteit en betrouwbaarheid van de data die voor de ontwikkeling wordt gebruikt. Het is dus zaak om het ontwikkelproces zorgvuldig te borgen en te voorzien van governance en controle vanuit een technisch, logisch en compliance kader.

Regels die op historische data zijn gebaseerd detecteren, ongeacht hun complexiteit, alleen patronen zoals die in het verleden zijn opgemerkt. Patronen die niet lijken op die uit het verleden kunnen niet worden gedetecteerd door het analyseren van eerder herkende gevallen. Daarvoor kan een ander soort machine learning, namelijk unsupervised learning, uitkomst bieden. Daarmee is het mogelijk om patronen te identificeren die afwijken van wat normaal is, zonder dat de transacties expliciet als zodanig zijn aangegeven. Op deze manier ontstaat een zelflerend systeem dat ook nieuwe soorten ongebruikelijke transacties herkent. Hoewel zo’n zelflerend algoritme in principe volledig zelfstandig kan opereren lijkt het meer voor de hand te liggen om het te gebruiken als een systeem dat nieuwe regels voorstelt die door menselijke experts worden gevalideerd.

AI biedt ook een uitgelezen kans om de informatie uit het customer due dilligence (CDD) proces beter in ogenschouw te nemen bij het monitoren van transacties. Machine learning kan gebruikt worden om klanten op basis van de gegevens uit de CDD onderzoeken en gegevens over hun gedrag in te delen in risicoprofielen met specifieke regels voor het herkennen van risicovolle transacties.

Alert handling

AI kan ook bijdragen aan snellere of (deels) geautomatiseerde afhandeling van alerts, zeker in combinatie met de inzet van Robotics (ofwel robotic process automation, kort gezegd RPA).

Het afhandelen van alerts, ongeacht of het alerts zijn voorkomend uit klant screening, transactie filtering of transactie monitoring, bevat veel routinematige handelingen waarmee gegevens uit diverse systemen wordt opgevraagd. Het is daarmee een goede kandidaat voor RPA. De efficiëntie van RPA kan sterk worden verbeterd door het te combineren met AI. Tekst analyse kan het bijvoorbeeld mogelijk maken om ook gegevens uit vrije tekstvelden mee te nemen in het automatiseringsproces, iets waar reguliere RPA niet goed mee om kan gaan. AI maakt het dus mogelijk om allerhande ongestructureerde of semigestructureerde gegevens op te nemen in het RPA proces, waarmee een veel groter deel van het afhandelingsproces kan worden geautomatiseerd. Dit is overigens ook relevant voor het uitvoeren van CDD onderzoeken en het melden van ongebruikelijke transacties aan de FIU.

Randvoorwaarden en uitdagingen

De wettelijke en regelgevende kaders die betrekking hebben op transactiemonitoring vormen een wereldwijd complex met verschuivende verwachtingen van toezichthouders en een toenemende focus op transactiemonitoring. Als gevolg daarvan komen steeds vaker tekortkomingen en noodzakelijke aanpassingen aan het daglicht die onmiddellijke aandacht vereisen. Het beheer van essentiële veranderingen in transactiemonitoring-strategieën wordt als een zware last ervaren door financiële instellingen. De belangrijkste obstakels daarin liggen niet op het vlak van tijd en geld, maar in de schaarste van gedegen professionals met specifieke vaardigheden en kennis op het gebied van transactiemonitoring en de technologische ontwikkelingen, maar ook bewustzijn van het regelgevende kader. Bijgevolg wordt de toepassing van AI vaak uitgesteld, hoewel de urgentie van die implementatie juist toeneemt.

Het succes van data-gedreven technieken zoals machine learning staat of valt met de kwaliteit van de beschikbare gegevens. In veel gevallen is het verzamelen en standaardiseren een netelige kwestie: de consistentie en correctheid van voorhanden bronnen zijn niet altijd vanzelfsprekend omdat dit vaak inhoudt dat er gegevens moeten worden gecombineerd uit diverse systemen die vaak stammen uit verschillende organisaties die door fusies en overnames bijeen zijn gekomen. Daarnaast is het van groot belang dat de gegevens die gebruikt worden bij de ontwikkeling van de modellen een volledige en betrouwbare afspiegeling zijn van de gegevens zoals die bij de toepassing van het model zullen worden aangeboden.

De grotere complexiteit van data-gebaseerde modellen en het grote belang van datakwaliteit zijn ook van invloed op de processen en systemen rond validatie en governance van de ontwikkeling en inzet van dergelijke modellen. Validatie en governance van modellen voor transactiemonitoring moeten weloverwogen worden aangepast of geïmplementeerd. De regelgeving specifiek voor transactiemonitoring (bijvoorbeeld in regel 504 van de DFS in New York) biedt daar weinig houvast voor; regelgeving op andere terreinen zoals bijvoorbeeld de supervisory guidance SR 11-7 van de FED in de Verenigde Staten kan als richtlijn gelden.

Tenslotte is er, ook in het publieke debat, veel aandacht voor de ondoorzichtigheid van data-gebaseerde modellen. Transparantie van modellen voor transactiemonitoring is nodig om te kunnen verantwoorden waarom bepaalde transacties als risicovol worden aangemerkt, zodat de verdere afhandeling van alerts die informatie kan meenemen. Daarnaast is transparantie van belang voor een goede governance: het biedt houvast voor de validatie van de modellen en inzicht in het gebruik van gegevens zodat eventuele onvolkomenheden daarin tijdig aan het licht komen.

Conclusie

AI kan op velerlei manieren worden toegepast in de bestrijding van financieel-economische criminaliteit. In dit artikel hebben we laten zien hoe AI kansen biedt om transactiemonitoring te verbeteren zodat accuratere alerts worden gegenereerd, met als gevolg minder false positives en daarmee een vermindering van de druk op het afhandelingsproces. Ook kan AI, zeker in combinatie met RPA, de afhandeling van alerts efficiënter en effectiever maken. Daarmee kunnen preventieve en detectieve processen doeltreffender en doelmatiger ingezet worden zodat de echte risicovolle transacties worden herkend en hierop tijdig geanticipeerd kan worden.