释放机器智能的四种方式，应对犯罪世界

• 为打击“不良行为者”和犯罪活动，已投入320亿美元。

• 金融机构需要帮助，以识别贩运、贿赂和腐败所得的收益。

• 机器智能可以改造客户身份验证和监控等关键流程。

毒品贩运者、人口贩运者以及其他犯罪分子利用全球金融体系运作并扩大其非法业务。保护全球金融体系不被这些“不良行为者”利用是金融机构的责任，这绝非易事。金融机构（FIs）既要判定客户的“真实身份”，又要持续监测其交易活动，而这需要高昂的费用和人力投入。事实上，反洗钱（AML）和了解你的客户（KYC）合规支出据估计，2019年全球此类支出将达到321亿美元。若能成功，投入的成本和精力本是值得的，遗憾的是，联合国毒品和犯罪问题办公室估计，全球每年有8000亿至2万亿美元被洗钱。

全球洗钱资金来源。Image: 金融诚信网络

这些资金来自多种非法来源，其中人口贩运每年估计达1502亿美元，在全球范围内产生；毒品贩运估计规模为4260亿至6520亿美元；以及贿赂和腐败，估计占全球GDP的5%，或全球数万亿美元。毒品贩运所得收益首次进入金融体系时主要为现金；贿赂和腐败所得收益的洗钱通常依赖企业载体、信托或非营利实体；人口贩运所得收益的洗钱则依赖多种金融产品，包括现金、加密货币和线上支付。每种情况在检测上各有难点，且越来越难以通过静态规则检测。例如，若有一笔超过10,000的整数美元金额汇往高风险地区，则发出警报。

那么，金融机构如何改进打击黑钱的工作？答案在一定程度上在于，它们需要更好的工具。例如，这些工具可以分析从诸如Traffik Analysis Hub等组织获取的公开数据，例如从涉嫌人口贩运者的广告网站上获取的手机号码，并与客户信息档案进行交叉比对。

在此，我们探讨机器智能（MI）被用于提升金融犯罪检测与预防效率与效果的四种方式。

1. 大力加强KYC信息收集与监控

金融机构必须核实客户身份并开展尽职调查。核实身份的一个步骤是确认实体的最终受益所有权，而金融机构在这方面很大程度上依赖客户本人提供信息，这使得不准确和虚假信息更容易被录入。金融机构还必须筛查公开信息，查找其潜在客户、客户及客户的客户的“负面新闻”。这些检索会产生大量需要审查的信息，但这些信息往往与被检索的个人无关，耗费时间和资源。即使是使用自动化开户解决方案的金融机构，开户流程也可能长达12周，并估计耗费每位客户6,000至25,000美元。

自然语言处理技术可用于在非结构化数据中查找所有权信息，从而无需再向客户本人收集这些信息。随着更多数据公开可得，例如来自《巴拿马文件》和《天堂文件》等泄露资料、公共登记册，以及来自诸如Liberty Shared等组织的数据，这些组织汇总公共登记册中的信息。数据公开程度越高，这项技术就越关键。与此同时，数据越多，分类整理的工作也越多，这正是机器智能可以发挥作用之处。无论是对身份和受益所有权信息进行分类，还是在筛查过程中审查“命中”结果以筛选出相关信息，MI解决方案都能改造这一流程。MI技术可以取代仅能访问和处理可用数据一小部分的人工流程，代之以能够从众多数据源中准确、快速地收集和过滤数据的自动化流程。

2. 对客户进行系统化细分，使异常和可疑行为更加明显

金融机构负责监测交易活动并识别可疑活动。实践中，这意味着每笔交易都会输入交易监测（“TM”）系统，该系统在检测到潜在可疑活动的指标时发出警报，例如向高风险司法管辖区汇出或从其汇入大额整数美元交易。然而，即使配置完善的TM系统，也会产生大量误报警报（一些估计认为这一比例高达98%）。通过行为分析，MI模型可以摄取金融机构客户的个人信息和交易信息，然后将这些客户划分为行为相似的群体，例如，一个主要由退休人员组成、电子活动较少、且往往是受益人而非汇款人的群体。通过按行为系统性地细分客户，检测该群体中的异常行为变得更容易。更重要的是，可疑活动警报往往代表潜在非法活动的真实风险。在一个用例中，智能细分使误报警报减少了45%，并使该金融机构得以识别此前未被发现的可疑活动。

3. 揭示隐藏关联

智能细分可以减少干扰并识别更多潜在可疑警报，而实体解析与网络生成则可以帮助调查人员审查这些警报，使其能够更全面地利用信息。这些解决方案可以整合来自内部和外部数据源（包括社交媒体、新闻资讯和企业登记处）的数百万个数据点，从而全面描绘客户及其活动。随后，它可以构建一个网络，显示该客户如何与他人进行交易和互动，揭示原本隐藏的关联和关系。这在贸易融资和金融市场等领域尤为有用，这些领域可能在金融机构内拥有多个账户、快速变动的交易、多种记录保存形式、复杂的组织架构，以及跨不同系统和时间线发生的相关交易。

从上述基于规则的方法转向行为网络方法，已大幅减少误报，同时还识别出此前未被发现的潜在可疑活动。

4. 使用监督学习处置明显的误报

除了监测可疑活动外，金融机构还必须对客户和交易进行筛查，以识别受制裁的个人或实体。机器智能，特别是监督学习，可用于审查表明与受制裁个人或实体相匹配的警报，并检测明显的误报，例如“Scuba Diving Inc.”与OFAC制裁名单上的“Cuba”相匹配的情况。通过剔除明显的误报，金融机构可以将资源集中于更高价值的警报上。在一个用例中，除必要的质量保证审查外，无需人工干预即可关闭超过40%的误报匹配。

上述工具可单独或组合使用，以应对金融机构当前面临的最棘手挑战。若部署得当，这些工具可帮助金融机构在其系统中检测毒品贩运、人口贩运以及贿赂和腐败所得的收益。机器智能的应用正在我们身边发生，但MI用于纠正世界上的欺诈性不端行为和社会不公的用例却寥寥无几。这一状况正在改变。