AI加速助攻反洗錢

洗錢對全球的影響

　　洗錢是一個複雜性問題而且對全球產生的問題愈來愈大。每年洗錢金額約占全球GDP的2~5%，這些洗錢所得涉及到毒品、人口販賣等非法的犯罪所得。反洗錢也對金融機構消耗大量資源，其中許多金融機構須遵循多個全球和地區性監管機構的規定，而大型金融機構報告稱每年需監測40億筆以上交易以應付日益複雜的非法行為。

洗錢的方式和預防的困難點

　　洗錢的過程也非常複雜。其中一種主要方式是將犯罪所得及其收益與合法收益混為一體，通過偽裝措施來使其看起來與合法收益無異。洗錢者會採取複雜手段，通過多種中間型態的操作方式來模糊交易數據使其難以核對。例如，2016年時，兆豐銀行紐約分行涉嫌與巴拿馬分行之間的可疑洗錢匯款，未按照洗錢防制規定進行申報，原因之一是海外分行人員不足，且缺乏對洗錢防制法的瞭解。總的來說，洗錢是一個全球性問題，並且隨著時間的推移，洗錢手段和工具變得越來越複雜。金融監管機構需要不斷提升反洗錢措施，以應對洗錢活動的變化，並加強跨國合作來擊敗洗錢犯罪。

傳統反洗錢方式遭遇的問題

　　大多數傳統的洗錢監測產品依賴於手動定義規則，這導致識別可疑活動的效率低下，即使在最先進的規則系統洗錢者也可以學習並繞過這些規則以避免被檢測。而手動定義規則的系統存在一個重大缺點，即規則本身，每個人制定規則的規範會有所不同，有人認為對於客戶而言是正常的交易行為，另一個人可能認為是可疑的，所以在大數的監控系統中為了不錯過任何可疑行為，企業往往更傾向制定寬鬆一點的規則，而這樣的結果就會產生過多的警報。事實上在大多數系統生成的警報被證實為誤報(False positives)，而高比例的誤報都需要手動檢查，這使得金融機構每年在無效的調查中花費過多的資源，也分散了金融機構對真正可疑活動的關注。

現今用AI來反洗錢的方法

　　現代反洗錢AI的趨勢則是透過機器學習的方式來針對客戶進行風險評分，用機器學習的方式來取代規則化的交易警報，該風險評分則是基於銀行的數據(交易模式、網路行為和了解客戶KYC數據等)來進行模型的訓練。對比傳統的手動定義方式，AI更能適應防洗錢法規的快速變化和客戶交易的數量增加。

現今反洗錢AI的五大優勢

1. 提升檢測的準確性
   　機器學習可分析龐大的數據，模型能從歷史數據中學習並且適應新興趨勢來識別出複雜的洗錢活動，由此來提高檢測可疑資料的準確性。
2. 降低誤報的數量
   　傳統基於規則的系統通常會產生大量的誤報警告，導致在調查非可疑案件所浪費的時間和資源。而機器學習則可以通過先進的演算法考慮多個因素和指標，來進行準確的預測，從而降低誤報。
3. 適應法規的能力
   　機器學習的模型可以隨著反洗錢的相關法規變化和新興的洗錢技術而適應和演進。模型可以快速納入新的規則或更新現有法規來確保符合最新的法規，並且打擊不斷演化的威脅。
4. 資源的有效利用
   　在自動化反洗錢流程裡，機器學習在其中優化了資源分配。模型可以處理大量的交易和客戶的數據，減少對手動審查的需求，從而減少審查人員的時間讓審查人員更專注於更複雜和高風險的案件。
5. 改善風險評估
   　機器學習模型可以即時評估與個別客戶和交易相關的風險因素，通過分析交易歷史、客戶行為和外部因素等各種數據，模型能提供更準確的風險評分從而排序出應該優先處理的案件。

　　更多資安訊息及防護策略，歡迎與NEITHNET資安專家聯繫：info@neithnet.com。

參考資料

1. https://www.medoid.ai/blog/machine-learning-in-anti-money-laundering/
2. https://www.idnow.io/glossary/anti-money-laundering-aml/
3. https://www.prnewswire.com/news-releases/google-cloud-launches-ai-powered-anti-money-laundering-product-for-financial-institutions-301856403.html
4. https://www.zhihu.com/question/480656365/answer/2692428560