Priorytety i zalety AI/ML w walce z pralniami pięniędzmi

Sztuczna inteligencja znajduje coraz szersze zastosowanie w walce z praniem pieniędzy, ale tempo jej wdrażania jest za wolne. Takie informacje przynosi raport SAS i KPMG na podstawie ankiety wśród praktyków walki z nadużyciami finansowymi. 

Zastosowanie rozwiązań opartych na sztucznej inteligencji (AI) do przeciwdziałania praniu pieniędzy (AML) znajduje coraz szersze i istotniejsze uzasadnienie. Badanie przeprowadzone przez SAS we współpracy z KPMG, potwierdziło z jednej strony duże zainteresowanie technologią AI, ale z drugiej – jej ograniczone wykorzystanie przez instytucje finansowe. Raport „The road to integration: The state of AI and machine learning adoption in anti-money laundering compliance”, który stanowi kontynuację podobnej ankiety opublikowanej w 2021 roku, przygotowano na podstawie globalnej ankiety wśród 850 członków Stowarzyszenia Certyfikowanych Specjalistów ds. Przeciwdziałania Praniu Pieniędzy (ACAMS).

Rezerwa regulatorów hamuje zapał do wdrażania AI/ML

Tylko 18% respondentów zgłosiło wykorzystywanie rozwiązań AI i ML w pełnym zakresie, kolejne 18% prowadzi projekty pilotażowe, natomiast 25% planuje wdrożyć AI i ML w ciągu najbliższych 12-18 miesięcy. 40% ankietowanych nie planuje zastosowania AI/ML do przeciwdziałania praniu pieniędzy w najbliższej przyszłości.

W przypadku rozwiązań opartych na generatywnej sztucznej inteligencji (GenAI), 10% respondentów prowadzi projekty pilotażowe, a 35% analizuje możliwości GenAI, natomiast 55% respondentów nie planuje wdrożenia tej technologii.

Ponad połowa, 51% ankietowanych, uważa, że regulatorzy zachęcają do innowacji z wykorzystaniem AI/ML. To istotny, 15-punktowy spadek w porównaniu z poprzednią edycją badania z 2021 roku. Odsetek respondentów wśród członków ACAMS, którzy oceniają, że organy regulacyjne obawiają się lub są ostrożne w kwestii wykorzystania AI/ML wzrósł z 28% do 36%. Odsetek opisujących instytucje nadzorcze jako „oporne na zmiany” wzrósł z 6% do 13%. „Praktycy AML uważają, że organy regulacyjne „schłodziły” swoje podejście do sztucznej inteligencji” – komentuje Kieran Beer, Chief Analyst and Director of Editorial Content w ACAMS.

Rośnie liczba powodów stosowania AI/ML

Badanie przyniosło szereg spostrzeżeń na temat tego, w jaki sposób technologia AI jest wykorzystywana w obszarze przeciwdziałania praniu pieniędzy, ale także co stanowi przeszkodę w pełnej integracji z firmowymi operacjami. Zastosowanie AI i ML w obszarze AML obejmuje automatyzację alertów, generowanie ocen ryzyka dla całego przedsiębiorstwa, zgłaszanie podejrzanych działań, kontrole AML, dążenie do zmniejszenia liczby fałszywych alarmów i wiele innych zastosowań.

W pierwszej edycji badania w 2021 r. jako główny powód wykorzystania AI/ML aż 78% respondentów podało poprawę jakości procesów dochodzeń i ustaleń regulacyjnych (40%) lub zmniejszenie liczby fałszywych alarmów (38%). W tegorocznej edycji badani odpowiedzi były bardziej zróżnicowane. Na czele listy powodów pozostały te same, ale poprawę jakości procesów dochodzeń i ustaleń podało wyraźnie mnie, bo 67% ankietowanych. Zyskało na znaczeniu wykrywanie złożonych zagrożeń (wzrost z 17 do 21%).

W 2021 r. główną przeszkodą w stosowaniu sztucznej inteligencji były ograniczenia budżetowe (39%). W najnowszym badaniu odsetek ten obniżył się do 34% i większą przeszkodą stał się brak imperatywu regulacyjnego (37%). Brak kompetencji staje się coraz mniejszym powodem powstrzymywania się od stosowania AI/ML w obszarze AML. Obecnie deklarowało go 11% respondentów, wobec 22% w 2021 r. Pojawiły się za to powody sklasyfiowane jako „inne” – ich udział wzrósł z 5% do 19%.

Priorytetem zmniejszenie liczby fałszywych alarmów

Wśród swoich priorytetów w zakresie wdrażania AI/ML, ankietowani eksperci AML wymienili redukcję fałszywych alarmów w istniejących systemach nadzoru – 38% (wzrost o 8% od 2021 r.), automatyzację wzbogacania danych na potrzeby dochodzeń i due diligence (25%) oraz wykrywanie nowych zagrożeń za pomocą zaawansowanych technik modelowania (23%).  13% respondentów wskazało jako priorytet segmentację klientów na potrzeby analizy behawioralnej.

Zmniejszenie liczby fałszywych alarmów jest zarazem wskazywane jako największa wartość z zastosowania AI/ML, takiej odpowiedzi udzieliło 38% ankietowanych. Wysoko oceniono także poprawę jakości i szybkości dochodzenia (34%) oraz triaż alertów wysokiego i niskiego ryzyka (28%).

Poproszeni o uszeregowanie trzech technologii w oparciu o ich wpływ, respondenci wskzali w pierwszej kolejności ML – 58% wskazań. Oznacza to wzrost o 6 p.p. od 2021 roku. Automatyzacja procesów była wskazana przez 28%, a przetwarzanie języka naturalnego (NLP) przez 14% ankietowanych.

Budowa przewagi konkurencyjnej

Kluczem do uwolnienia potencjału sztucznej inteligencji i uczenia maszynowego jest integracja źródeł danych, zespołów i technologii.  Pierwszym krokiem w jej kierunku jest ustanowienie ekosystemu danych, który łączy dane ze wszystkich źródeł.

86% respondentów badania deklarowało, że w ich firmie działa „w pewnym stopniu” integracja procesów przeciwdziałania praniu pieniędzy i nadużyciom oraz bezpieczeństwa informacji. W przypadku 1/3 z nich, jest to pełna integracja możliwości zarządzania sprawami w ramach tych funkcji. Także 1/3 firm współpracuje za pośrednictwem wielofunkcyjnych zespołów w celu wdrożenia kontroli zapobiegających narażeniu na przestępstwa finansowe.

W ocenie autorów raportu, firmy, które już dziś dążą do integracji danych i operacji z myślą o zarządzaniu, nie czekając na wytyczne w regulacjach, kładą podwaliny pod odpowiedzialne innowacje w zakresie sztucznej inteligencji i zyskają przewagą nad resztą rynku.