online gambling singapore online gambling singapore online slot malaysia online slot malaysia mega888 malaysia slot gacor live casino malaysia online betting malaysia mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 2019 金融業數位轉型趨勢:使用 ML 技術打擊金融詐騙

摘要: 隨著亞太洗錢防制組織(APG)抵台正式展開評鑑,反洗錢這個議題也再度躍上檯面,成為台灣金融圈熱烈討論的話題。如何善用新型態機器學習技術來防制可疑洗錢交易,也成為金融業引進智能科技的新型態手法。

 


過去二年來,洗錢防制在金融圈熱度不減,一來因為美國金融服務署 (DFS) 開始針對國內外各知名銀行,針對洗錢防制疏失開罰鉅額罰款,震驚整個台灣社會;二來則是 APG 評鑑結果將關乎台灣金融業的海外市場業務競爭力與國際形象,因此從政府到產業界都非常重視這一次的評鑑。

台灣反洗錢二大挑戰:人力成本、客戶體驗

然而,銀行為因應監管機關法規,從上到下所受衝擊之大,實非外人所能想像。為遵循法規要增列的洗錢調查或身分確認作業流程,不僅造成第一線行員的工作量激增、加以目前許多銀行所採用的反洗錢系統誤判率高,甚至沒有導入系統,也讓監控效率不佳,隨之,經辦人員也因反覆的調查詢問引發顧客負面情緒,直接帶來服務聲譽的影響。

為此, 全球數據分析領導廠商 SAS,台灣業務支援部首席顧問暨國際公認反洗錢師林詩敏直指,為了能夠做到洗錢防制的法規遵循,「人力成本」、「客戶體驗」即是台灣金融業在面對洗錢防制上的兩大挑戰。

林詩敏進一步說明,洗錢防制為高度勞力密集的產業,在沒有系統輔助的情況下,規模較大的銀行每天可能有高達 8,600 件疑似洗錢的案件,平均一件處理 5 分鐘, 共需 716.67 小時。一個行員每天工作 8 小時, 平均需要 89.6 人去做進一步確認,換算下來,每個月要付出新台幣 600 萬元的人力成本。

伴隨人力成本而來的另一個挑戰就是:客戶體驗。前述提及,被系統篩檢出來疑似洗錢的交易,需要銀行致電客戶確認交易細節,以便進一步判斷是否為洗錢交易。即有行員曾在社群網站表示,自家銀行定義的態樣為單日多筆小額轉帳金額,就得去電確認,然而現有許多客戶是職業遊戲玩家,每天靠著販售約單筆 50~100 元虛擬寶物營生,同一日內同一個帳戶就有好幾筆轉帳收入,於是同樣的人名每隔 2 到 3 天就會出現在反洗錢報表上,即便明知不是洗錢交易,也只能按照程序打電話,造成客戶反感。

因此,在顧及人力成本及客戶體驗的情形下,如何遵循法規,降低被鉅額裁罰的風險,是當今金融機構需面對的課題。

「人工智慧與機器學習技術,正可協助台灣金融業克服這兩大挑戰的關鍵。」林詩敏提出觀察。

結合機器學習技術 – 「快、廣、準」達到反洗錢效益

一般反洗錢系統,只是單純從系統所設定的參數去篩選交易,只要符合參數設定就可能是異常交易,這種非白即黑的作法,沒有考量到交易背後的其他可能因素,難免容易出現誤判。

林詩敏補充,為了解決誤判問題,反洗錢系統要能有人工智慧與機器學習的底層技術,從大量交易資料中偵測真警示與假警示,並歸納出異常資料的特徵值 (pattern),進而判斷該筆交易為洗錢交易的風險值,數值越大,越有可能是洗錢交易,也是銀行要優先確認的對象。

為了讓機器學習,分析資料的面向廣度跟連結度要夠,須結合客戶型態、帳戶型態、帳戶特性、產業別、帳戶餘額、地理資訊(如:避稅天堂)、郵遞區號、交易產品類型(非面對面交易,如:網銀轉帳)等資訊去做判斷,並加入自主學習誤判的變因,才能達到精準。

除了交易監控 AI在洗錢防制上的更多應用

除了上述交易風險之智能警示外,AI 其實還可拓展更多應用:

第一、應用非結構化分析,做出預警偵測

定期分析新聞、社交媒體和網絡的文字資料,可於重大事件發生時,及早防範犯罪嫌疑客戶蓄意脫產;或利用分析進出口提單文件文字,了解商品中是否有軍民兩用品或是高風險貨品,以進一步調查是否涉及貿易融資洗錢。

第二、洗錢網絡圖分析

在偵測異常交易時,還會結合客戶資料與其交易對手和關係人所形成之社群網絡 (Social Network) 做進一步分析。舉例來說,一筆幾千萬的轉帳交易,如果交易對象是大型企業可能沒什麼特別之處,但若是兩三筆千萬帳款的資金流向,層層追溯在幾個企業戶背後卻有共通的個人親友戶,就有可能是異常交易。

第三、自然語言處理自動生成報告

金融機構被要求在發現客戶所進行交易有「可疑」之處時,就要提交可疑交易報告 (Suspicious Activity Report SAR),否則將招致裁罰,因此如能利用 AI 結構化與非結構化技術自動生成初步報告,將可有效提升作業效率。

第四、交易監控閥值校準

應用統計方法,透過客戶分群與交易監控最適閥值分析,以降低警示量。在開始導入洗錢監控態樣前,金融機構需要針對各個洗錢樣態監控條件門檻,進行適當的客群與監控門檻值分析。舉例來說,個人帳戶與法人帳戶的交易行為通常不同,若以相同的監控門檻進行偵測,則容易造成大量的誤判警示,因此應該將具有類似特徵的客戶進行分群後,再定以適當的門檻。這樣的分析過程也呼應了「以風險為基礎」的原則與精神。

除了初始上線的洗錢態樣之外,金融機構也應定期對既有監控態樣之監控門檻值進行校準,瞭解是否有低於門檻值以下的洗錢漏網之魚,或是有調校門檻以降低警示量的機會。

(圖片來源:SAS)

據國外金融業者統計, 導入具有機器學習能力的反洗錢系統,在交易監控的作業成本、人力與時間上,最高可降低 70%~90%警示量 。 根據 SAS 協助日本三井住友銀行,導入人工智慧反洗錢系統的經驗,林詩敏指出 AI 在監控詐欺上主要帶來的三大效益:「快、廣、準」。AI 能支應高運算量,自動找出風險高的交易,以更低的成本提高偵測效率,達成「快」制惡;在「廣度」部份,正所謂道高一尺魔高一丈,犯罪份子的洗錢方式不斷在改變,而透過 AI 不斷自主學習,還可能發現未知高風險的洗錢行為,有效擴大偵測範圍。最後因為機器智能為整理系統增加「精準度」,降低誤判率,讓企業能真正迎合法遵要求,降低名譽損失。

林詩敏強調,人工智慧提供給企業的視野將愈來愈廣,從拓展業務到詐欺監控,攻防兩方皆可成助力,尤其在反洗錢業務上,更可讓員工專注偵察策略的制定,免於操作性工作帶來的負面情緒,讓企業外部商譽與內部員工生產力都可提升。

轉貼自: BuzzOrange/SAS

 

 

留下你的回應

以訪客張貼回應

0
  • 找不到回應

YOU MAY BE INTERESTED