Як може штучний інтелект, що керує процедурою Know Your Customer (KYC), зменшити асиметричний ризик для банків?

Джон Флауерс виконує обов’язки Глобального керівника фінансових ринків у eClerx. З більш ніж 30-річним досвідом у секторі фінансових технологічних послуг, він займав різні керівні посади як у технологічній сфері бізнесу, так і на стороні клієнтів.

Відкрийте для себе найкращі новини та події у сфері фінтех!

Підписуйтеся на розсилку FinTech Weekly

Читають керівники JP Morgan, Coinbase, Blackrock, Klarna та інших компаній

Асиметричний ризик постійно загрожує банкам, фінтехам та іншим строго регульованим бізнесам. Недосконала перевірка клієнта, яка пропускає їхню участь у відмиванні грошей або інших злочинах, може призвести до штрафів у мільйони доларів, репутаційних втрат і регуляторних заходів на найвищих рівнях керівництва. Адже навіть невеликі помилки можуть спричинити такі масштабні наслідки, тому усунення дрібних прогалин у процесах “знай свого клієнта” (KYC) є необхідним для захисту як установ, так і їхніх зацікавлених сторін.

Традиційно ефективне дотримання вимог KYC та протидії відмиванню грошей (AML) вимагало всебічної оцінки ризиків клієнта під час його прийому, а потім — запланованого моніторингу змін у профілі ризику або поведінці, часто через надзвичайно ручні процеси, схильні до затримок. Тепер штучний інтелект і автоматизація дозволяють зміцнити KYC і покращити контроль AML, використовуючи дані в реальному часі та запроваджуючи більш проактивний підхід до запобігання фінансовим злочинам.

Які ролі відіграє штучний інтелект у зменшенні ризиків KYC/AML?

Операційні помилки та штрафи трапляються, незважаючи на значні інвестиції банків у процеси та рішення AML/KYC. За даними Juniper Research, у 2024 році глобальні витрати на KYC склали 30,8 мільярдів доларів у минулому році. Однак багато установ досі покладаються на ручну обробку та оновлення даних клієнтів, що уповільнює процес прийому та затримує оновлення, які могли б виявити зміни у профілі ризику.

Автоматизація деяких із цих процесів за допомогою правил-орієнтованої роботизованої автоматизації процесів (RPA) може прискорити їх, але може спричинити високий рівень хибних спрацьовувань, що вимагає більше часу для ручних перевірок. Тим часом злочинці використовують передові технології, щоб уникнути виявлення через процеси KYC і AML. За допомогою AI і викрадених або фальшивих даних особистості вони можуть створювати документи та історії, що виглядають досить реальними, щоб обдурити аналітиків і базові автоматизовані системи.

Додавання автоматизації з підтримкою AI і GenAI до RPA може допомогти банкам вирішити ці виклики кількома способами.

1. Досвід клієнта під час прийому

Як частина процесу KYC, компанії надають новим клієнтам список необхідних документів і даних, які вони не можуть підтвердити самостійно. Якщо ці вимоги не комунікуються ефективно, це може заплутати клієнтів і затримати схвалення. Це особливо актуально, коли запитувана інформація не чітко відповідає конкретним регуляторним вимогам юрисдикції(й), створюючи додаткову роботу для аналітиків, які мають вирішувати ці розбіжності.

З використанням моделі обробки природної мови AI, інтегрованої в процес прийому, банки можуть ефективно спілкуватися та запитувати відповідну інформацію відповідно до конкретних регуляцій відповідних юрисдикцій. Це призводить до швидшого процесу прийому, менш схильного до помилок, спричинених неправильним вибором або поданням документів, що не відповідають місцевим і внутрішнім вимогам. Це може запобігти появі прогалин і помилок у даних до їх потрапляння до системи.

2. Виявлення шахрайства з особистістю

Моделі комп’ютерного зору на базі AI і синтетичного виявлення особистостей можуть позначати клієнтів, документи або фінансову історію яких здаються підробленими або викраденими, навіть якщо вони виглядають легітимними для людських аналітиків. Ці інструменти синтезують дані з кількох джерел протягом часу і можуть бачити зв’язки між даними, які пропускають люди, і правила, що не піддаються розшифровці традиційними системами. Вони швидко корелюють особистість клієнта з реальними діями і піднімають тривоги, коли з’являються розбіжності, щоб аналітики могли досліджувати.

3. Моніторинг KYC і AML у реальному часі

Підтримка даних клієнта після прийому — це безперервний процес. Моніторинг активності клієнта в установі, пошук негативних новин про нього та розуміння будь-яких змін у його бізнес-мережах є критичними для уникнення пропуску ознак зміни профілю ризику клієнта. Моделі GenAI можуть координувати цей моніторинг у реальному часі, інгестуючи дані з кількох платформ і джерел, встановлюючи базовий профіль ризику для кожного клієнта і піднімаючи сповіщення, коли нові дані вказують на зміну профілю ризику.

4. Відповідність та звітність

Комплексні рішення для прийому і моніторингу також надають банкам аналітичні дані, необхідні для оцінки відповідності AML, визначення сфер для покращення і створення звітів для внутрішніх зацікавлених сторін і регуляторів. Звітувальні рішення GenAI не обмежуються лише обробкою великих обсягів даних і відповіддю на запитання. Їх також можна навчити відображати оброблену інформацію за допомогою інтуїтивних графіків і діаграм, на панелях управління та у звітах. Ця видимість дозволяє керівництву банку виявляти і запобігати виникненню проблем ще до їхнього масштабного розгортання.

5. Адаптація до технологічних і регуляторних змін

Системи GenAI і автоматизації з підтримкою AI навчаються на своїх вхідних даних. Це означає, що їх можна навчати адаптуватися, коли банки підключають нові джерела даних і технологічні платформи, без необхідності масштабної перебудови або тривалого процесу інтеграції. Це дозволяє установам отримувати більше цінності від своїх інвестицій у AI з часом.

Можливості навчання AI також полегшують оновлення вимог банків при зміні регуляцій. Навчання та тестування моделей AI для KYC за новими керівними принципами зазвичай займає менше часу, ніж ручне оновлення не-AI платформ. Це швидше, ніж навчання аналітиків новим правилам. AI також може допомогти у цьому навчанні, відповідаючи на прості запитання або підсумовуючи зміни у легкочитабних форматах. Аналітики швидко отримують актуальну інформацію для послідовного дотримання та застосування нових політик.

Зменшення асиметричного ризику для KYC/AML за допомогою AI

Інструменти AI для KYC і AML уособлюють майбутнє управління фінансовими ризиками. Вони можуть різко обмежити експозицію банків до асиметричних ризиків сьогодні і адаптуватися до змін у технологічних і регуляторних умовах, щоб захистити від майбутніх загроз. Оскільки регулятори дедалі більше приділяють увагу ролі фінансових установ у міжнародних злочинах, а злочинці стають більш вправними у обході традиційних контролів KYC і AML, інтеграція AI у робочі процеси KYC і AML є найефективнішим способом для установ зміцнити захист зараз і в майбутньому.