আপনার বিশ্বকে জানুন - যথাযথ পরিশ্রমের বৃত্ত বন্ধ করা (ফ্র্যাঙ্ক কামিংস)

বিশ্বব্যাপী আর্থিক প্রতিষ্ঠানগুলি গ্রাহকের কারণে অধ্যবসায়/আপনার গ্রাহকের পদ্ধতিগুলিকে বিশুদ্ধ শিল্পের পর্যায়ে উন্নত করেছে। কিছু ক্ষেত্রে, প্রতিষ্ঠানগুলি 600 টিরও বেশি পৃথক ক্ষেত্র তথ্য সংগ্রহ করে, এবং কিছু সমর্থন করার জন্য 14টির বেশি ডেটা ইন্টারফেস ব্যবহার করে
অভ্যন্তরীণ সিস্টেম এবং বাহ্যিক ডেটা প্রদানকারীর মিশ্রণ। এটি এমন পর্যায়ে পৌঁছেছে যেখানে আমরা আমাদের গ্রাহকদের, তাদের সম্পর্কিত পক্ষগুলি এবং তাদের মালিকদের সম্পর্কে আমরা যতটা জানি তার চেয়ে বেশি জানি। কিন্তু প্রবাদের মতো, "কোনও ভাল কাজ শাস্তিহীন হয় না," এবং CDD/KYC
শুধুমাত্র গ্রাহকদের তথ্য সংগ্রহের সাথে শেষ হয় না।

যথাযথ পরিশ্রমের সমস্ত কাজ—প্রশ্ন সংগ্রহ, ডেটা ইন্টারফেস এবং পিং পরিষেবা, বর্ধিত সম্পর্কের বিশ্লেষণ, পতাকাঙ্কন এবং অনুসরণ-সম্ভবত আরও সম্পূর্ণ এবং আরও বাস্তবসম্মতভাবে ঝুঁকি হ্রাস করার জন্য পুনরাবৃত্তি করা দরকার। আমি মনে করি
"আপনার বিশ্বকে জানুন" বা KYW হিসাবে এই বিস্তৃত পদ্ধতি।

KYW-তে, আপনার যথেষ্ট পরিশ্রমের প্রয়োজনের জন্য বেশ কয়েকটি প্রধান বিভাগ রয়েছে:

1. গ্রাহকদের
2. গ্রাহকদের সমস্ত সংশ্লিষ্ট পক্ষ
3. বিক্রেতারা
4. এমপ্লয়িজ
5. পরিচালকের
6. এআই/এমএল অ্যাপ্লিকেশন
7. বিভাগ 2 থেকে বিভাগ 1 ব্যতীত অন্যান্য বিভাগের মধ্যে সমস্ত পরিচিত সম্পর্ক

সমস্ত বিভাগগুলির সাথে আপনি যে সমস্ত যথাযথ অধ্যবসায় করেন তা হল একটি উদ্দেশ্য: আর্থিক অপরাধের ঝুঁকি চিহ্নিত করা এবং হ্রাস করা।

আসুন KYW পদ্ধতিতে অতিরিক্ত বিভাগ সম্পর্কে একটু চ্যাট করি:

বিক্রেতারা: একজন ক্রেতার জন্য আপনি যতটা করেন তার চেয়ে আপনি একজন বিক্রেতার উপর যে পরিশ্রম করবেন তার মধ্যে কোন পার্থক্য নেই। বিক্রেতাদের দ্বারা সৃষ্ট অগণিত ঝুঁকিগুলি বুঝুন এবং প্রশমিত করুন।

কর্মচারী এবং ব্যবস্থাপক: এটি হল আর্থিক প্রতিষ্ঠানের বেশিরভাগ লোকের সমস্যা: "কেন আমরা এটি করতে চাই? এরা প্রতিষ্ঠানের কর্মচারী ও ব্যবস্থাপক। কর্মচারী এবং পরিচালকদের উপর আপনি যে যথাযথ অধ্যবসায় করেন তা ভিন্ন, কিন্তু
কর্মচারী বা পরিচালকদের প্রত্যাশিত আচরণ কী তা প্রতিষ্ঠিত করার জন্য এটি কেবল যথাযথ অধ্যবসায়। পরবর্তীতে-অপ্রত্যাশিত আচরণের খোঁজ করার সময় আপনি কীভাবে আপনার গ্রাহকের ডেটা নিরীক্ষণ করেন- আপনি কর্মচারী এবং পরিচালকদের সাথে একই কাজ করবেন। আপনি মনিটরিং করছেন
ডেটা - গ্রাহক বা কর্মচারী নয়। শুধুমাত্র যখন একটি সম্পর্কিত-আচরণ পতাকা ট্রিগার করা হয় তখন সঠিক লোকেরা অনুসরণ করার জন্য এটি সম্পর্কে জানতে পারে।

এআই অ্যাপ্লিকেশানগুলি: এটি এমন একটি বিভাগ যা প্রথমে লোকেদের ডবলটেক করতে বাধ্য করে – যতক্ষণ না তারা থামে এবং এটি সম্পর্কে চিন্তা করে। একটি শিল্পে যেটি আমরা আক্ষরিকভাবে প্রতিটি প্রক্রিয়া এবং পদ্ধতিতে "আমাকে দেখান" মডেল অনুসরণ করে, এআই একটি ব্যতিক্রম বলে মনে হয় - একটি সমস্যাযুক্ত
ব্যতিক্রম।

 আমরা যখন এআই অ্যাপ্লিকেশন বলি তখন আমরা কী সম্পর্কে কথা বলছি তা ফ্রেম করে শুরু করা যাক। আপনি নিয়মিত টিভি নাটকে যে কৃত্রিম বুদ্ধিমত্তা সিস্টেমগুলি দেখেন তা বিনোদনের জন্য কাল্পনিক বাহন মাত্র; সত্যিকারের চিন্তার মেশিন এখনও অনেক দূরে। 

যাকে আমরা প্রায়শই AI বলি তা প্রকৃতপক্ষে ML বা মেশিন লার্নিং হতে থাকে। এবং এটি স্বাধীনভাবে বুদ্ধিমান না হলেও, এটি শিখতে পারে। সেখানেই সমস্যাটি শো-মি ইন্ডাস্ট্রিতে। 

একটি কম্পিউটার অ্যালগরিদম এখন থেকে শিখতে পারে এমন তিনটি পদ্ধতি রয়েছে: তত্ত্বাবধানে শিক্ষা, শক্তিবৃদ্ধি এবং তত্ত্বাবধানহীন। তত্ত্বাবধান করা পদ্ধতিটি সবচেয়ে স্বচ্ছ বলে মনে হচ্ছে কারণ আপনি সেই ডেটা দেখেছেন যা সিস্টেমকে প্রশিক্ষণের জন্য ব্যবহার করা হয়েছিল। এই পদ্ধতি সীমিত
নিয়ম অনুযায়ী আপনি আবেদন করতে পারেন, এবং আপনি যে ডেটা ফিড করেন তাতে আপনাকে অবশ্যই সমস্ত শর্ত তৈরি করতে হবে। 

একটি দ্বিতীয় বিকল্প হল শক্তিবৃদ্ধি পদ্ধতি, যা শেখার সাথে সাথে মানুষের বৈধতা প্রয়োজন। 

তারপর আমরা বন্য, বন্য পশ্চিমে আসি: তত্ত্বাবধানহীন শিক্ষা। তত্ত্বাবধানহীন শেখার মতোই এটি শোনাচ্ছে। তত্ত্বাবধান ছাড়াই, আপনি অ্যালগরিদমকে ডেটা দেন এবং ডেটার অর্থ কী সম্পর্কে আপনি যে নিয়মগুলি প্রদান করেন তার দ্বারা সিস্টেমটিকে বের করতে দিন৷ এই কারনে
আপনাকে অনবোর্ড, ঝুঁকির হার এবং আপনার ML/AI অ্যাপ্লিকেশনগুলি নিরীক্ষণ করতে হবে। ইন্ডাস্ট্রির শো-মি আবশ্যিকতার প্রেক্ষিতে, আপনি ভাবতে পারেন যে আপনি জানেন আপনার ML/AI অ্যাপ্লিকেশনগুলি কী করছে, কিন্তু আপনি এটি খুব সহজে প্রমাণ করতে পারবেন না। 

অজানা সম্পর্ক: আপনার বিভিন্ন বিভাগের মধ্যে অ-স্পষ্ট বা অজানা সম্পর্কগুলির অর্থ কিছুই হতে পারে না বা কারও আচরণকে বৈধতা বা বৈধতা দেওয়ার জন্য আহ-হা মুহূর্ত হতে পারে।

উপসংহারে, একটি নো ইউর ওয়ার্ল্ড পদ্ধতি আপনার প্রতিষ্ঠানে গুরুতর ঝুঁকির উত্সগুলির উপর বিস্তৃত এবং গভীর উভয় দৃষ্টিভঙ্গি নেয়। এবং যেহেতু এটি ডেটার মাধ্যমে আচরণ পর্যবেক্ষণ, তাই আমরা অতিমাত্রায় আক্রমণাত্মক বা ব্যক্তিদের প্রতি অন্যায্য না হয়ে ঝুঁকির জন্য নিরীক্ষণ করতে পারি।
আমরা যখন আচরণগত নিরীক্ষণ করি, আমরা কখনই বিষয়টির দিকে তাকাই না। বরং, আমরা ডেটাতে স্পষ্ট আচরণ বা বিভিন্ন আচরণের সন্ধান করি। এবং যখন আমরা সেগুলি খুঁজে পাই, তখন এবং শুধুমাত্র তখনই আচরণটি কোনও ধরণের সত্তার সাথে আবদ্ধ হয়: একজন গ্রাহক, একজন বিক্রেতা, বা একটি AI/ML
আবেদন।