2019 金融业数位转型趋势:使用 ML 技术打击金融诈骗

2020-06-05 阅读 431 次 作者: 来源: 今日现代

2019 金融业数位转型趋势:使用 ML 技术打击金融诈骗

随着亚太洗钱防制组织(APG)抵台正式展开评鉴,反洗钱这个议题也再度跃上檯面,成为台湾金融圈热烈讨论的话题。如何善用新型态机器学习技术来防制可疑洗钱交易,也成为金融业引进智能科技的新型态手法。

过去二年来,洗钱防制在金融圈热度不减,一来因为美国金融服务署 (DFS) 开始针对国内外各知名银行,针对洗钱防制疏失开罚鉅额罚款,震惊整个台湾社会;二来则是 APG 评鉴结果将关乎台湾金融业的海外市场业务竞争力与国际形象,因此从政府到产业界都非常重视这一次的评鉴。

台湾反洗钱二大挑战:人力成本、客户体验

然而,银行为因应监管机关法规,从上到下所受冲击之大,实非外人所能想像。为遵循法规要增列的洗钱调查或身分确认作业流程,不仅造成第一线行员的工作量激增、加以目前许多银行所採用的反洗钱系统误判率高,甚至没有导入系统,也让监控效率不佳,随之,经办人员也因反覆的调查询问引发顾客负面情绪,直接带来服务声誉的影响。

为此, 全球数据分析领导厂商 SAS,台湾业务支援部首席顾问暨国际公认反洗钱师林诗敏直指,为了能够做到洗钱防制的法规遵循,「人力成本」、「客户体验」即是台湾金融业在面对洗钱防制上的两大挑战。

林诗敏进一步说明,洗钱防制为高度劳力密集的产业,在没有系统辅助的情况下,规模较大的银行每天可能有高达 8,600 件疑似洗钱的案件,平均一件处理 5 分钟, 共需 716.67 小时。一个行员每天工作 8 小时, 平均需要 89.6 人去做进一步确认,换算下来,每个月要付出新台币 600 万元的人力成本。

伴随人力成本而来的另一个挑战就是:客户体验。前述提及,被系统筛检出来疑似洗钱的交易,需要银行致电客户确认交易细节,以便进一步判断是否为洗钱交易。即有行员曾在社群网站表示,自家银行定义的态样为单日多笔小额转帐金额,就得去电确认,然而现有许多客户是职业游戏玩家,每天靠着贩售约单笔 50~100 元虚拟宝物营生,同一日内同一个帐户就有好几笔转帐收入,于是同样的人名每隔 2 到 3 天就会出现在反洗钱报表上,即便明知不是洗钱交易,也只能按照程序打电话,造成客户反感。

因此,在顾及人力成本及客户体验的情形下,如何遵循法规,降低被鉅额裁罚的风险,是当今金融机构需面对的课题。

「人工智慧与机器学习技术,正可协助台湾金融业克服这两大挑战的关键。」林诗敏提出观察。

结合机器学习技术– 「快、广、準」达到反洗钱效益

一般反洗钱系统,只是单纯从系统所设定的参数去筛选交易,只要符合参数设定就可能是异常交易,这种非白即黑的作法,没有考量到交易背后的其他可能因素,难免容易出现误判。

林诗敏补充,为了解决误判问题,反洗钱系统要能有人工智慧与机器学习的底层技术,从大量交易资料中侦测真警示与假警示,并归纳出异常资料的特徵值 (pattern),进而判断该笔交易为洗钱交易的风险值,数值越大,越有可能是洗钱交易,也是银行要优先确认的对象。

为了让机器学习,分析资料的面向广度跟连结度要够,须结合客户型态、帐户型态、帐户特性、产业别、帐户余额、地理资讯(如:避税天堂)、邮递区号、交易产品类型(非面对面交易,如:网银转帐)等资讯去做判断,并加入自主学习误判的变因,才能达到精準。

除了交易监控AI在洗钱防制上的更多应用

除了上述交易风险之智能警示外,AI 其实还可拓展更多应用:

第一、应用非结构化分析,做出预警侦测

定期分析新闻、社交媒体和网络的文字资料,可于重大事件发生时,及早防範犯罪嫌疑客户蓄意脱产;或利用分析进出口提单文件文字,了解商品中是否有军民两用品或是高风险货品,以进一步调查是否涉及贸易融资洗钱。

第二、洗钱网络图分析

在侦测异常交易时,还会结合客户资料与其交易对手和关係人所形成之社群网络 (Social Network) 做进一步分析。举例来说,一笔几千万的转帐交易,如果交易对象是大型企业可能没什幺特别之处,但若是两三笔千万帐款的资金流向,层层追溯在几个企业户背后却有共通的个人亲友户,就有可能是异常交易。

第三、自然语言处理自动生成报告

金融机构被要求在发现客户所进行交易有「可疑」之处时,就要提交可疑交易报告 (Suspicious Activity Report SAR),否则将招致裁罚,因此如能利用 AI 结构化与非结构化技术自动生成初步报告,将可有效提升作业效率。

第四、交易监控阀值校準

应用统计方法,透过客户分群与交易监控最适阀值分析,以降低警示量。在开始导入洗钱监控态样前,金融机构需要针对各个洗钱样态监控条件门槛,进行适当的客群与监控门槛值分析。举例来说,个人帐户与法人帐户的交易行为通常不同,若以相同的监控门槛进行侦测,则容易造成大量的误判警示,因此应该将具有类似特徵的客户进行分群后,再定以适当的门槛。这样的分析过程也呼应了「以风险为基础」的原则与精神。

除了初始上线的洗钱态样之外,金融机构也应定期对既有监控态样之监控门槛值进行校準,了解是否有低于门槛值以下的洗钱漏网之鱼,或是有调校门槛以降低警示量的机会。

2019 金融业数位转型趋势:使用 ML 技术打击金融诈骗

据国外金融业者统计, 导入具有机器学习能力的反洗钱系统,在交易监控的作业成本、人力与时间上,最高可降低 70%~90%警示量 。 根据 SAS 协助日本三井住友银行,导入人工智慧反洗钱系统的经验,林诗敏指出 AI 在监控诈欺上主要带来的三大效益:「快、广、準」。AI 能支应高运算量,自动找出风险高的交易,以更低的成本提高侦测效率,达成「快」制恶;在「广度」部份,正所谓道高一尺魔高一丈,犯罪份子的洗钱方式不断在改变,而透过 AI 不断自主学习,还可能发现未知高风险的洗钱行为,有效扩大侦测範围。最后因为机器智能为整理系统增加「精準度」,降低误判率,让企业能真正迎合法遵要求,降低名誉损失。

林诗敏强调,人工智慧提供给企业的视野将愈来愈广,从拓展业务到诈欺监控,攻防两方皆可成助力,尤其在反洗钱业务上,更可让员工专注侦察策略的制定,免于操作性工作带来的负面情绪,让企业外部商誉与内部员工生产力都可提升。