Як штучний інтелект, керований процес KYC може зменшити асиметричний ризик для банків?

Джон Флауерс виконує обов’язки Глобального керівника фінансових ринків у eClerx. Маючи понад 30 років досвіду у сфері фінансових технологічних послуг, він займав різні керівні посади як у технологічній сфері бізнесу, так і на стороні клієнтів.

Дізнайтеся про найактуальніші новини та події у фінтеху!

Підписуйтеся на розсилку FinTech Weekly

Читають керівники JP Morgan, Coinbase, Blackrock, Klarna та інших компаній

Асиметричний ризик постійно загрожує банкам, фінтех-компаніям та іншим строго регульованим бізнесам. Недосконала перевірка одного клієнта, яка пропускає його участь у відмиванні грошей або інших злочинах, може призвести до багатомільйонних штрафів, репутаційних втрат і регуляторних заходів на найвищому рівні керівництва. Навіть невеликі помилки можуть мати значні наслідки, тому усунення дрібних прогалин у процесах “знай свого клієнта” (KYC) є критично важливим для захисту як самих установ, так і їхніх зацікавлених сторін.

Традиційно ефективне дотримання вимог KYC та протидії відмиванню грошей (AML) вимагало всебічної оцінки ризиків клієнта під час його прийому, а потім — запланованого моніторингу змін у профілі ризику або поведінці, часто за допомогою надзвичайно ручних процесів, схильних до затримок. Тепер штучний інтелект і автоматизація дозволяють зміцнити процеси KYC і підвищити контроль AML, використовуючи дані у реальному часі та запроваджуючи більш проактивний підхід до запобігання фінансовим злочинам.

Які ролі відіграє штучний інтелект у зменшенні ризиків KYC/AML?

Помилки в операційній діяльності та штрафи трапляються, незважаючи на значні інвестиції банків у процеси та рішення AML/KYC. За даними Juniper Research, у 2024 році глобальні витрати на KYC склали 30,8 мільярдів доларів у минулому році. Однак багато установ досі покладаються на ручну обробку та оновлення даних клієнтів, що уповільнює процес прийому і затримує оновлення, які могли б виявити зміни у профілі ризику.

Автоматизація деяких із цих процесів за допомогою правил-орієнтованої роботизованої автоматизації процесів (RPA) може прискорити їх, але може спричинити високий рівень хибних спрацьовувань, що вимагає додаткового часу для ручних перевірок. Тим часом злочинці використовують передові технології, щоб уникнути виявлення через процеси KYC і AML. За допомогою штучного інтелекту та викрадених або фальшивих даних особистості вони можуть створювати документи та історії, які виглядають досить реальними, щоб обдурити аналітиків і базові автоматизовані системи.

Додавання автоматизації з підтримкою штучного інтелекту та GenAI до RPA може допомогти банкам вирішити ці виклики кількома способами.

1. Досвід клієнта під час прийому

Як частина процесу KYC, компанії надають новим клієнтам список необхідних документів і даних, які вони не можуть підтвердити самостійно. Якщо ці вимоги не комунікуються ефективно, це може заплутати клієнтів і затримати схвалення. Це особливо актуально, коли запитувана інформація не чітко відповідає конкретним регуляторним вимогам юрисдикції(й), створюючи додаткову роботу для аналітиків, які мають вирішити ці розбіжності.

З використанням моделі обробки природної мови штучного інтелекту, інтегрованої у процес прийому, банки можуть ефективно комунікувати та запитувати відповідну інформацію відповідно до конкретних регуляцій відповідних юрисдикцій. Це дозволяє прискорити процес прийому, зменшити кількість помилок, спричинених неправильним заповненням форм або поданням документів, що не відповідають місцевим та внутрішнім вимогам. Це може запобігти появі прогалин у даних і помилок ще до їх потрапляння до системи.

2. Виявлення шахрайства з особистістю

Моделі комп’ютерного зору на базі штучного інтелекту та синтетичного виявлення особистості можуть позначати клієнтів, документи або фінансову історію яких здаються підробленими або викраденими, навіть якщо вони виглядають легітимними для людських аналітиків. Ці інструменти синтезують дані з різних джерел протягом часу і можуть бачити зв’язки між даними, які пропускають люди, і правила, що не піддаються розбору традиційними системами. Вони швидко корелюють ідентичність клієнта з реальними діями і піднімають тривоги при виявленні розбіжностей для подальшого розслідування.

3. Моніторинг KYC і AML у реальному часі

Підтримка даних клієнта після прийому — це безперервний процес. Моніторинг активності клієнта в межах установи, пошук негативних новин і розуміння змін у його бізнес-мережах є критичними для виявлення ознак зміни профілю ризику клієнта. Моделі GenAI можуть координувати цей моніторинг у реальному часі, обробляючи дані з різних платформ і джерел, встановлюючи базовий профіль ризику для кожного клієнта і піднімаючи тривоги, коли нові дані вказують на зміну профілю ризику.

4. Відповідність та звітність

Комплексні рішення для прийому і моніторингу також надають банкам необхідні аналітичні дані для оцінки відповідності AML, визначення сфер для покращення і створення звітів для внутрішніх зацікавлених сторін і регуляторів. Звітувальні рішення на базі GenAI не обмежуються лише обробкою великих обсягів даних і відповіддю на запитання. Вони також можуть бути навчені відображати оброблену інформацію у зручних графіках і діаграмах, на панелях управління та у звітах. Така видимість дозволяє керівництву банку виявляти і запобігати виникненню проблем ще до їхнього масштабного розгортання.

5. Адаптація до технологічних і регуляторних змін

Системи GenAI та автоматизації з підтримкою штучного інтелекту навчаються на своїх даних. Це означає, що їх можна навчати адаптуватися, коли банки підключають нові джерела даних і технологічні платформи, без необхідності масштабної перебудови або тривалого процесу інтеграції. Це дозволяє установам отримувати більше цінності від своїх інвестицій у штучний інтелект з часом.

Можливості навчання штучного інтелекту також полегшують оновлення вимог банків при зміні регуляцій. Навчання та тестування моделей KYC на основі штучного інтелекту відповідно до нових правил зазвичай займає менше часу, ніж ручне оновлення нештучних платформ. Це швидше, ніж навчання аналітиків новим правилам. Штучний інтелект також може допомагати у цьому навчанні, відповідаючи на прості запитання або підсумовуючи зміни у легкому для сприйняття форматі. Аналітики швидко отримують актуальну інформацію для послідовного дотримання та застосування нових політик.

Зменшення асиметричного ризику для KYC/AML за допомогою штучного інтелекту

Інструменти штучного інтелекту для KYC і AML уособлюють майбутнє управління фінансовими ризиками. Вони можуть суттєво обмежити експозицію банків до асиметричних ризиків сьогодні і адаптуватися до змін у технологічному та регуляторному середовищі, щоб захистити від майбутніх загроз. Оскільки регулятори все частіше приділяють увагу ролі фінансових установ у міжнародних злочинах, а злочинці стають дедалі більш майстерними у обході традиційних контролів KYC і AML, інтеграція штучного інтелекту у робочі процеси KYC і AML є найефективнішим способом для установ зміцнити захист зараз і в майбутньому.