یکی از مسائل مهم در جامعه امروز هزینه مبارزه با جرائم مالی است. در ایالات متحده تنها هزینه های ضد پولشویی 23.5 میلیارد دلار در سال براورد شده است. بانک های اروپایی نیز سالانه 20 میلیارد دلار در این زمینه هزینه می کنند.
حتی شاید بیشتر متعجب شوید اگر بدانید طی یک دهه گذشته 90 درصد از بانک های اروپایی به علت جرائم فسادمالی و پولشویی جریمه شده اند. در سراسر جهان، بانک ها در طول 10 سال گذشته تقریبا 26 میلیارد دلار جریمه شده اند.
اکنون، موسسات مالی به دنبال جهش و استفاده از هوش مصنوعی و سیستم های یادگیری ماشینی برای شناسایی قاچاقچیان مواد مخدر و فروشندگان اسلحه هستند که پرداخت های تروریستی و پول شویی خود را برای این فعالیت ها تأمین می کنند.
در واقع، تنظیم کننده های بازار سرمایه اکنون نهادهای مالی را تشویق می کنند تا آزمایش هایی جدید انجام دهند و از قدرت هوش مصنوعی برای تشخیص هر نوع فعالیت مشکوک استفاده کنند. مدت هاست که پژوهشگران به دنبال روش هایی هستند که این موضوع را حل کنند و در طول زمان نیز پیشرفتهایی داشته اند.
یکی از مهمترین موارد استفاده از هوش مصنوعی مبارزه با جرایم مالی است و این سیستم ها دارای دو مزیت اصلی برای بانک های درگیر در این نبرد است: نسخه این که این سیستم ها می تواند اثربخشی و کارآیی تحقیقات مالی و مدیریت ریسک موسسه های مالی را افزایش دهد.
و دوم این که به مؤسسات مالی کمک می کند از طریق رعایت موازنه مؤثر مقررات، از امکان رفع هزینه های این چالش جلوگیری کند به عبارت دیگر هر نوع رفتار مشکوک را در سازمان های مالی رصد کرده و فورا اطلاع می دهد.
رهبران صنعت بانکی همیشه در برابر راه حل های جدید فناوری اطلاعات محتاط بوده اند. تا همین اواخر، به دلیل نگرانی ها در مورد مدل های به اصطلاح "جعبه سیاه"، سرویس های مالی به وضوح از مزایای استفاده از راه حل های هوش مصنوعی استفاده نکردند. اگر بخواهیم فرایندهای جعبه سیاه را تشریح کنیم این مثال را می زنیم که یک عملکرد مالی به سرعت انجام می شود اما هوش مصنوعی عملکردی را انجام می دهد که برای کاربر شفاف نیست. بر این اساس وقتی بانک نمی فهمد که چگونه تکنولوژی بر جرایم مالی نظارت می کند، نمی تواند توضیح دهد که چطور با قوانین مربوط به تنظیم کنندگانش مطابقت دارد.
بر این اساس نیاز به یکپارچه سازی هوش مصنوعی برای توضیح واضح عملکرد و رصد اطلاعات مالی وجود دارد. در تاریخ 3 دسامبر 2018، پنج سازمان فدرال در ایالات متحده، از جمله شبکه مالی اعمال جرایم مالی، بیانیه ای مشترک را منتشر کردند تا بانک ها را برای اجرای رویکردهای نوآورانه از جمله هوش مصنوعی تشویق کنند.سنگاپور نیز در ماه نوامبر 2018 مجموعه ای از اصول را برای ترویج عدالت، اخلاق، مسئولیت پذیری و شفافیت در استفاده از تکنولوژی های هوش مصنوعی در امور مالی، منتشر کرد.
انواع هوش مصنوعی مالی
دو نوع هوش مصنوعی وجود دارد . هوش مصنوعی تحت نظارت و بدون نظارت. هر کدام از این سیستم ها دارای نقاط قوت خاص خود است. با هوش مصنوعی نظارت شده، یک مدل با استفاده از داده های طبقه بندی شده برای شناسایی معاملات بالقوه مشکوک آموزش دیده است.
با هوش مصنوعی فاقد نظارت، متخصصان کامپیوتر سیستم را به داده های دسته بندی نشده خام تقسیم می کنند و از طریق تعامل با داده ها، سیستم کامپیوتری مدل هایی را شناسایی می کند که ممکن است سیگنال پولشویی را نشان دهند.
هوش مصنوعی و انسان ها
مهم است که دقت کنیم تا زمانی که روند فعالیت هوش مصنوعی در امور مالی مشخص نشود نمی توان انتظار داشت که هوش مصنوعی بدون نظارت و آزمایش انسانی کار کند. حتی در مورد یادگیری هوش مصنوعی ، انسان هایی با تخصص مالی و تجاری باید مدل ها را طراحی و بهینه سازی کنند.
اهمیت این موضوع زمانی بیشتر است که بدانیم حتی بهترین سیستم های غربالگری و نرم افزار، نتایج مثبت کاذب را به میزان قابل توجهی افزایش می دهند که باید توسط یک بازرس انسانی رصد و اصلاح شود. با استفاده از یادگیری تحت نظارت، انسان می تواند مدل را برای رسیدگی به هشدارهای جدید یا استفاده از هشدارهای پیش از موعد، آموزش دهد. سپس متخصصان با استفاده از هشدار جدید آزمایش می کنند تا ببینند روند کار چگونه انجام می شود.
به این ترتیب هوش مصنوعی می تواند عملکرد یک بررسی کننده سطح اول را انجام دهد. در حال حاضر، سیستم های هوش مصنوعی قادر به انجام تجزیه و تحلیل، کشف یا شناسایی اشخاصی است که معاملات مشکوک انجام می دهند.
سیستم های هوش مصنوعی می توانند فعالیت های جدید تروریست ها و جنایتکاران را مشخص کنند. در واقع، جنایتکاران به طور مداوم در حال توسعه روش های جدید پنهان کردن فعالیت های خود هستند و هوش مصنوعی می تواند برای شناسایی رفتارهای جدید تروریست ها استفاده شود.
تقسیم بندی هوشمند
یکی از روشهای امیدوار کننده هوش مصنوعی ، تقسیم بندی هوشمند است. اخیرا یک پروژه با استفاده از نرم افزار تقسیم بندی هوشمند توانسته حدود 20 میلیون تراکنش را که طی چندین سال انجام شده بررسی کند.
با استفاده از سیستم های نظارت سنتی، بانک ها به طور معمول مشتریان خود را بر اساس صنعت، نوع کسب و کار و عوامل دیگر تقسیم می کنند. اما در سیستم های جدید تقسیم بندی نوع فعالیت افراد فارغ از ادعاهای آنان به سرعت بررسی و دسته بندی می شود.
