Złapanie ducha o wartości 2 bilionów dolarów: sztuczna inteligencja zmienia zasady przestępstw finansowych

Każdego roku przestępcy przelewają przez światowy system bankowy około 800 miliardów do 2 bilionów dolarów. Stanowi to około 2–5 procent światowego PKB. Dla instytucji finansowych zatrzymanie tego przepływu jest koniecznością prawną, ale jest także logistycznym koszmarem. Tradycyjne metody zawodzą, topiąc śledczych w fałszywych alarmach, podczas gdy wyrafinowani przestępcy przemykają przez szczeliny.¹

Nowe, fascynujące badanie przeprowadzone przez naukowców Chuanhao Nie (Georgia Tech), Yunbo Liu (Duke University) i Chao Wang (Rice University) bada, jak sztuczna inteligencja zmienia ten krajobraz. Ich papier, „Zastosowanie sztucznej inteligencji w przeciwdziałaniu praniu pieniędzy na rzecz zrównoważonych i przejrzystych systemów finansowych„ twierdzi, że przyszłość czystych pieniędzy polega na przejściu od sztywnych zasad do dynamicznych, inteligentnych sieci.

Problem z „Jeśli/To”

Przez dziesięciolecia banki polegały na monitorowaniu opartym na zasadach. Systemy te działają na prostej logice: „Jeśli klient wpłaci więcej niż 10 000 dolarów w gotówce, oznacz to.”

Problem, jak podkreślają Nie, Liu i Wang, polega na tym, że przestępcy znają zasady. „Ustrukturyzowują” depozyty tuż poniżej progów lub rozdzielają środki na dziesiątki kont.² Tymczasem legalni klienci są stale oznaczani za niewinne zachowania, co powoduje powódź „fałszywych alarmów”, które marnują miliony godzin pracy.³ Naukowcy podkreślają, że tradycyjne bazy danych nie mogą łatwo „zobaczyć” sieci powiązań między przestępcą, firmą fasadową i kontem zagranicznym.

Podstawową innowacją zaprezentowaną w tym badaniu jest odejście od analizowania listy do analizowania sieci. Autorzy proponują system, który łączy Generatywna sztuczna inteligencja z Grafy wiedzytechnika znana jako Wykres RAG (generacja rozszerzona o odzyskiwanie).

Aby zrozumieć, dlaczego to ma znaczenie, wyobraźmy sobie tablicę korkową detektywa.

• Standardowa AI (wektor RAG): Działa jak wyszukiwarka. Wyszukuje słowa kluczowe w dokumentach. Jest dobry w znajdowaniu faktów, ale kiepski w łączeniu kropek.

• Wykres RAG (podejście autorów): Działa jak detektyw. Mapuje jednostki (ludzie, konta, adresy) jako „węzły”, a ich interakcje jako „krawędzie”. Rozumie, że Osoba A wysłała pieniądze do Firmy B, która ma ten sam adres co Osoba C objęta sankcjami.

W ostatniej części artykułu Nie, Liu i Wang szczegółowo opisują nowatorski eksperyment mający na celu modernizację protokołów „Poznaj swojego klienta” (KYC).

Zbudowali syntetyczne środowisko bankowe zawierające 10 000 klientów i prawie pół miliona transakcji. Następnie porównali standardowy model sztucznej inteligencji ze swoim Wykres agenta RAG. Wyzwanie? Aby odpowiedzieć na złożone pytania dochodzeniowe, takie jak identyfikacja klientów pośrednio powiązanych z podmiotami objętymi sankcjami za pośrednictwem wspólnych adresów lub kont osób trzecich.

Wyniki były surowe.

• Standardowa sztuczna inteligencja miał problemy ze złożonym rozumowaniem, często miał halucynacje w odpowiedziach lub nie potrafił odnaleźć odpowiedniego kontekstu (prawie zero punktów w złożonych zadaniach rozumowania „poziomu 5”).

• Agent Graph RAG wyróżniał się. Osiągnięto wysoką „wierność” i „trafność odpowiedzi”, skutecznie śledząc relacje wieloprzeskokowe, aby zapewnić dokładne, poparte dowodami oceny ryzyka.

W tych badaniach nie chodzi tylko o łapanie złoczyńców; chodzi o zrównoważony rozwój. Autorzy argumentują, że obecne systemy zgodności są operacyjnie marnotrawne. Integrując sztuczną inteligencję, która generuje mniej fałszywych alarmów i jaśniejsze wyjaśnienia, banki mogą budować bardziej przejrzyste i zoptymalizowane pod kątem zasobów systemy finansowe.

Autorzy ostrzegają jednak, że wyzwania nadal istnieją. Przepisy dotyczące prywatności (takie jak RODO) utrudniają wymianę danych między bankami, a modele sztucznej inteligencji muszą być „wyjaśnialne” – organ regulacyjny musi to wiedzieć Dlaczego sztuczna inteligencja oznaczyła transakcję, a nie tylko to, że tak się stało.⁴

Udowadniając, że sztuczna inteligencja oparta na wykresach może rozumować jak badacz, a nie tylko obliczać jak arkusz kalkulacyjny, Nie, Liu i Wang wytyczyli ścieżkę w kierunku systemu finansowego, który jest trudniejszy w eksploatacji i łatwiejszy do zaufania.

Autor wyróżnionego obrazu