Kend din verden – Luk cirklen af ​​due diligence (Frank Cummings)

Finansielle institutioner globalt har forbedret Customer Due Diligence/Kend Your Customer-procedurerne til ren kunst. I nogle tilfælde indsamler institutioner over 600 individuelle informationsfelter, og nogle bruger op mod 14 datagrænseflader til at understøtte
en blanding af interne systemer og eksterne dataleverandører. Det er ved at nå dertil, hvor vi ved mere om vores kunder, deres nærtstående parter og deres ejere, end vi ved om os selv. Men som man siger, "Ingen god gerning bliver ustraffet," og CDD/KYC
ender ikke med dataindsamling på kun kunder.

Alt det arbejde med due diligence – indsamlingen af ​​spørgsmål, datagrænsefladerne og ping-tjenesterne, analysen af ​​udvidede relationer, markeringen og opfølgningen – skal sandsynligvis gentages for at mindske risikoen mere fuldstændigt og mere realistisk. tænker jeg på
denne bredere tilgang som "Know Your World" eller KYW.

I KYW har du flere hovedkategorier med behov for Due Diligence:

1. Kunder
2. Alle kunders nærtstående parter
3. Leverandører
4. Medarbejdere
5. Ledere
6. AI/ML applikationer
7. Alle kendte sammenhænge mellem andre kategorier end kategori 2 til kategori 1

Al den due diligence, du udfører med alle kategorierne, har ét formål: at identificere og mindske risikoen for økonomisk kriminalitet.

Lad os snakke lidt om de yderligere kategorier i en KYW-tilgang:

Leverandører: Der er ingen forskel i niveauet af due diligence, du ville gøre på en leverandør, end du gør for en kunde. Forstå og afbød de utallige risici, som leverandører udgør.

Medarbejdere og ledere: Dette er den, de fleste mennesker i finansielle institutioner har et problem med: "Hvorfor vil vi gøre det her? Det er medarbejdere og ledere i institutionen.” Den due diligence man laver på medarbejdere og ledere er forskellig, men
det er blot due diligence at fastslå, hvad den forventede adfærd hos medarbejderne eller lederne er. Senere – i lighed med hvordan du overvåger dine kundedata, når du leder efter uventet adfærd – ville du gøre det samme med medarbejdere og ledere. Du overvåger
dataene – ikke kunden eller medarbejderen. Først når et flag vedrørende adfærd udløses, vil de rigtige personer vide om det for at kunne følge op.

AI-applikationer: Dette er den kategori, der i første omgang får folk til at lave en dobbeltoptagelse – indtil de stopper op og tænker over det. I en industri, der følger "Vis mig"-modellen i bogstaveligt talt enhver proces og procedure, vi udfører, synes kunstig intelligens at være en undtagelse - et problem
undtagelse.

 Lad os starte med at indramme, hvad vi taler om, når vi siger AI-applikationer. De kunstige intelligenssystemer, du jævnligt ser på tv-dramaer, er blot fiktive midler til underholdning; den sande tænkemaskine er stadig langt væk. 

Det, vi ofte kalder AI, har en tendens til virkelig at være ML eller maskinlæring. Og selvom den ikke er selvstændig intelligent, kan den lære. Det er der, problemet ligger i en show-me-industri. 

Der er tre metoder, som en computeralgoritme kan lære fra nu: overvåget læring, forstærkning og uovervåget. Den overvågede metode ser ud til at være den mest gennemsigtige, fordi du ser de data, der blev brugt til at træne systemet. Denne metode er begrænset
i reglerne, du kan anvende, og du skal oprette alle betingelser i de data, du fodrer den. 

En anden mulighed er forstærkningsmetoden, som kræver menneskelig validering, efterhånden som den lærer. 

Så kommer vi til det vilde, vilde vesten: uovervåget læring. Uovervåget læring er ligesom det lyder. I unsupervised giver du algoritmen dataene og lader systemet finde ud af de regler, du angiver, hvad data betyder. Det er derfor
du skal ombord, risikovurdere og overvåge dine ML/AI-applikationer. I betragtning af branchens vis-mig-imperativ, tror du måske, du ved, hvad dine ML/AI-applikationer gør, men du kan ikke bevise det meget nemt. 

Ukendte relationer: Ikke-oplagte eller ukendte relationer mellem dine forskellige kategorier kan intet betyde eller kan være Ah-Ha-øjeblikket til at legitimere eller delegitimere nogens adfærd.

Afslutningsvis tager en Know Your World-tilgang både et bredere og dybere blik på kilder til alvorlige risici i din institution. Og fordi det er adfærdsovervågning via data, kan vi overvåge for risiko uden at være alt for invasive eller uretfærdige over for enkeltpersoner.
Når vi laver adfærdsovervågning, ser vi aldrig på emnet. Vi leder snarere efter den adfærd eller anderledes adfærd, der er tydelig i data. Og når vi finder dem, så og først da er adfærden knyttet til en enhed af en eller anden art: en kunde, en leverandør eller en AI/ML
Ansøgning.