تعرف على عالمك - إغلاق دائرة العناية الواجبة (فرانك كامينغز)

عززت المؤسسات المالية على مستوى العالم العناية الواجبة تجاه العملاء / إجراءات اعرف عميلك إلى درجة الفن الخالص. في بعض الحالات ، تجمع المؤسسات أكثر من 600 مجال فردي للمعلومات ، ويستخدم البعض ما يزيد عن 14 واجهة بيانات لدعمها
مزيج من الأنظمة الداخلية وموفري البيانات الخارجيين. لقد وصلنا إلى النقطة التي نعرف فيها المزيد عن عملائنا والأطراف ذات الصلة بهم وأصحابهم أكثر مما نعرفه عن أنفسنا. ولكن كما يقول المثل ، "لا يمر عمل صالح بدون عقاب" و CDD / KYC
لا ينتهي بجمع البيانات عن العملاء فقط.

كل عمل العناية الواجبة - جمع الأسئلة وواجهات البيانات وخدمات اختبار الاتصال وتحليل العلاقات الممتدة والإبلاغ والمتابعة - من المحتمل أن يتكرر للتخفيف من المخاطر بشكل كامل وأكثر واقعية. أفكر في
هذا النهج الأوسع مثل "اعرف عالمك" أو KYW.

في KYW ، لديك عدة فئات رئيسية تحتاج إلى العناية الواجبة:

1. العملاء
2. جميع الأطراف ذات الصلة بالعملاء
3. المورّدين
4. الموظفون
5. مديرو
6. تطبيقات AI / ML
7. جميع العلاقات المعروفة بين الفئات بخلاف الفئة 2 للفئة 1

كل العناية الواجبة التي تقوم بها مع جميع الفئات هي لغرض واحد: تحديد وتخفيف مخاطر الجرائم المالية.

دعنا نتحدث قليلاً عن الفئات الإضافية في نهج KYW:

البائعون: لا يوجد فرق في مستوى العناية الواجبة التي ستفعلها تجاه البائع مقارنةً بالعميل. فهم وتخفيف المخاطر العديدة التي يشكلها البائعون.

الموظفون والمديرون: هذا هو أكثر الأشخاص الذين يواجهون مشكلة في المؤسسات المالية: "لماذا نرغب في القيام بذلك؟ هؤلاء هم موظفو ومديرو المؤسسة ". العناية الواجبة التي تقوم بها على الموظفين والمديرين مختلفة ، لكن
إنها مجرد العناية الواجبة لتحديد السلوك المتوقع للموظفين أو المديرين. في وقت لاحق - على غرار الطريقة التي تراقب بها بيانات العملاء عند البحث عن سلوك غير متوقع - ستفعل الشيء نفسه مع الموظفين والمديرين. أنت تراقب
البيانات - وليس العميل أو الموظف. فقط عندما يتم تشغيل علامة تتعلق بالسلوك ، يمكن للأشخاص المناسبين معرفة ذلك من أجل المتابعة.

تطبيقات الذكاء الاصطناعي: هذه هي الفئة التي تدفع الناس في البداية للقيام بمباراة مزدوجة - حتى يتوقفوا ويفكروا فيها. في صناعة تتبع نموذج "أرني" في كل عملية وإجراء نقوم به ، يبدو أن الذكاء الاصطناعي يمثل استثناءً - مشكلة
استثناء.

 لنبدأ بوضع إطار لما نتحدث عنه عندما نقول تطبيقات الذكاء الاصطناعي. إن أنظمة الذكاء الاصطناعي التي تشاهدها بانتظام في الدراما التلفزيونية هي مجرد مركبات خيالية للترفيه. آلة التفكير الحقيقية لا تزال بعيدة. 

ما نطلق عليه غالبًا الذكاء الاصطناعي يميل حقًا إلى تعلم الآلة أو التعلم الآلي. وعلى الرغم من أنه ليس ذكيًا بشكل مستقل ، إلا أنه يمكنه التعلم. هذا هو المكان الذي تكمن فيه المشكلة في صناعة العرض. 

هناك ثلاث طرق يمكن لخوارزمية الكمبيوتر أن تتعلمها من الآن: التعلم الخاضع للإشراف ، والتعزيز ، وغير الخاضع للإشراف. يبدو أن الطريقة الخاضعة للإشراف هي الأكثر شفافية لأنك ترى البيانات التي تم استخدامها لتدريب النظام. هذه الطريقة محدودة
في القواعد التي يمكنك تطبيقها ، ويجب عليك إنشاء جميع الشروط في البيانات التي تغذيها بها. 

الخيار الثاني هو طريقة التعزيز ، والتي تتطلب التحقق من صحة الإنسان أثناء تعلمه. 

ثم نأتي إلى الغرب المتوحش المتوحش: التعلم غير الخاضع للإشراف. التعلم غير الخاضع للإشراف يشبه تمامًا ما يبدو. في حالة عدم الإشراف ، تقوم بإعطاء البيانات للخوارزمية وتسمح للنظام بتحديد القواعد التي تقدمها فيما يتعلق بما تعنيه البيانات. هذا هو السبب
ستحتاج إلى الإعداد ، ومعدل المخاطر ، ومراقبة تطبيقات ML / AI الخاصة بك. نظرًا لضرورة العرض في الصناعة ، قد تعتقد أنك تعرف ما تفعله تطبيقات ML / AI الخاصة بك ، لكن لا يمكنك إثبات ذلك بسهولة بالغة. 

العلاقات غير المعروفة: العلاقات غير الواضحة أو غير المعروفة بين فئاتك المختلفة لا تعني شيئًا أو يمكن أن تكون لحظة آه-ها لإضفاء الشرعية أو نزع الشرعية عن سلوك شخص ما.

في الختام ، يأخذ نهج اعرف عالمك نظرة أوسع وأعمق على مصادر المخاطر الجادة في مؤسستك. ولأنه يراقب السلوك عبر البيانات ، يمكننا مراقبة المخاطر دون الإفراط في الانتهاك أو عدم الإنصاف للأفراد.
عندما نقوم بمراقبة السلوك ، فإننا لا ننظر إلى الموضوع أبدًا. بدلاً من ذلك ، نبحث عن السلوك أو السلوكيات المختلفة الواضحة في البيانات. وعندما نجدهم ، عندها فقط يكون السلوك مرتبطًا بكيان من نوع ما: عميل ، أو بائع ، أو AI / ML
تطبيق.