Γνωρίστε τον κόσμο σας – Κλείνοντας τον κύκλο της δέουσας επιμέλειας (Φρανκ Κάμινγκς)

Τα χρηματοπιστωτικά ιδρύματα παγκοσμίως έχουν βελτιώσει τις διαδικασίες Δέουσας Επιμέλειας/Γνωρίστε τον Πελάτη σας σε σημείο καθαρής τέχνης. Σε ορισμένες περιπτώσεις, τα ιδρύματα συλλέγουν πάνω από 600 μεμονωμένα πεδία πληροφοριών και ορισμένα χρησιμοποιούν πάνω από 14 διεπαφές δεδομένων για υποστήριξη
ένας συνδυασμός εσωτερικών συστημάτων και εξωτερικών παρόχων δεδομένων. Φτάνουμε στο σημείο να γνωρίζουμε περισσότερα για τους πελάτες μας, τα συνδεδεμένα μέρη τους και τους ιδιοκτήτες τους παρά για τους εαυτούς μας. Αλλά όπως λέει και η παροιμία, «Καμία καλή πράξη δεν μένει ατιμώρητη» και CDD/KYC
δεν τελειώνει με τη συλλογή δεδομένων μόνο για πελάτες.

Όλη αυτή η εργασία δέουσας επιμέλειας -η συλλογή ερωτήσεων, οι διεπαφές δεδομένων και οι υπηρεσίες ping, η ανάλυση εκτεταμένων σχέσεων, η επισήμανση και η παρακολούθηση - πιθανότατα πρέπει να επαναληφθούν για να μετριαστεί ο κίνδυνος πληρέστερα και πιο ρεαλιστικά. σκέφτομαι
αυτή η ευρύτερη προσέγγιση ως «Γνωρίστε τον κόσμο σας» ή KYW.

Στο KYW, έχετε πολλές μεγάλες κατηγορίες που χρειάζονται Δέουσα Επιμέλεια:

1. Πελάτες
2. Όλα τα συνδεδεμένα μέρη πελατών
3. Παροχείς Υπηρεσιών
4. Υπάλληλοι
5. Διευθυντές
6. Εφαρμογές AI/ML
7. Όλες οι γνωστές σχέσεις μεταξύ κατηγοριών εκτός από την κατηγορία 2 έως την κατηγορία 1

Όλη η δέουσα επιμέλεια που κάνετε με όλες τις κατηγορίες είναι για έναν σκοπό: τον εντοπισμό και τον μετριασμό του κινδύνου οικονομικών εγκλημάτων.

Ας μιλήσουμε λίγο για τις πρόσθετες κατηγορίες σε μια προσέγγιση KYW:

Προμηθευτές: Δεν υπάρχει διαφορά στο επίπεδο της δέουσας επιμέλειας που θα κάνατε σε έναν πωλητή από ότι για έναν πελάτη. Κατανοήστε και μετριάστε τους μυριάδες κινδύνους που θέτουν οι πωλητές.

Εργαζόμενοι και διευθυντές: Αυτό είναι το πρόβλημα με το οποίο αντιμετωπίζουν οι περισσότεροι άνθρωποι στα χρηματοπιστωτικά ιδρύματα: «Γιατί να θέλουμε να το κάνουμε αυτό; Πρόκειται για εργαζόμενους και διευθυντές του ιδρύματος». Η δέουσα επιμέλεια που κάνετε σε υπαλλήλους και διευθυντές είναι διαφορετική, αλλά
Είναι απλώς η δέουσα επιμέλεια για να διαπιστωθεί ποια είναι η αναμενόμενη συμπεριφορά των υπαλλήλων ή των διευθυντών. Αργότερα –όπως με τον τρόπο που παρακολουθείτε τα δεδομένα των πελατών σας όταν αναζητάτε απροσδόκητη συμπεριφορά– θα κάνατε το ίδιο με τους υπαλλήλους και τους διευθυντές. Εσείς παρακολουθείτε
τα δεδομένα – όχι ο πελάτης ή ο εργαζόμενος. Μόνο όταν ενεργοποιηθεί μια σημαία ανησυχητικής συμπεριφοράς θα το γνωρίζουν τα σωστά άτομα προκειμένου να το παρακολουθήσουν.

Εφαρμογές τεχνητής νοημοσύνης: Αυτή είναι η κατηγορία που στην αρχή αναγκάζει τους ανθρώπους να κάνουν διπλή λήψη – μέχρι να σταματήσουν και να το σκεφτούν. Σε μια βιομηχανία που ακολουθεί το μοντέλο «Δείξε μου» κυριολεκτικά σε κάθε διαδικασία και διαδικασία που κάνουμε, η τεχνητή νοημοσύνη φαίνεται να αποτελεί εξαίρεση—ένα προβληματικό
εξαίρεση.

 Ας ξεκινήσουμε πλαισιώνοντας αυτό που μιλάμε όταν λέμε Εφαρμογές AI. Τα συστήματα τεχνητής νοημοσύνης που βλέπετε τακτικά στα τηλεοπτικά δράματα είναι απλώς φανταστικά οχήματα για ψυχαγωγία. η αληθινή μηχανή σκέψης είναι ακόμα μακριά. 

Αυτό που συχνά αποκαλούμε AI τείνει πραγματικά να είναι ML, ή μηχανική μάθηση. Και ενώ δεν είναι ανεξάρτητα έξυπνο, μπορεί να μάθει. Εκεί βρίσκεται το πρόβλημα στη βιομηχανία του show-me. 

Υπάρχουν τρεις μέθοδοι από τώρα που μπορεί να μάθει ένας αλγόριθμος υπολογιστή: εποπτευόμενη μάθηση, ενίσχυση και χωρίς επίβλεψη. Η εποπτευόμενη μέθοδος φαίνεται να είναι η πιο διαφανής επειδή βλέπετε τα δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευση του συστήματος. Αυτή η μέθοδος είναι περιορισμένη
στους κανόνες που μπορείτε να εφαρμόσετε και πρέπει να δημιουργήσετε όλες τις προϋποθέσεις στα δεδομένα που τροφοδοτείτε. 

Μια δεύτερη επιλογή είναι η μέθοδος ενίσχυσης, η οποία απαιτεί ανθρώπινη επικύρωση καθώς μαθαίνει. 

Μετά ερχόμαστε στην άγρια, άγρια ​​δύση: μάθηση χωρίς επίβλεψη. Η μάθηση χωρίς επίβλεψη είναι ακριβώς όπως ακούγεται. Στην περίπτωση χωρίς επίβλεψη, δίνετε στον αλγόριθμο τα δεδομένα και αφήνετε το σύστημα να καταλάβει από τους κανόνες που παρέχετε σχετικά με το τι σημαίνουν τα δεδομένα. Αυτός είναι ο λόγος
θα χρειαστεί να επιβιβαστείτε, να βαθμολογήσετε τον κίνδυνο και να παρακολουθήσετε τις Εφαρμογές ML/AI. Δεδομένης της επιταγής εμφάνισης του κλάδου, μπορεί να νομίζετε ότι γνωρίζετε τι κάνουν οι εφαρμογές σας ML/AI, αλλά δεν μπορείτε να το αποδείξετε πολύ εύκολα. 

Άγνωστες σχέσεις: Οι μη προφανείς ή άγνωστες σχέσεις μεταξύ των διαφορετικών κατηγοριών σας δεν μπορούν να σημαίνουν τίποτα ή μπορεί να είναι η στιγμή Αχ-Χα για να νομιμοποιήσετε ή να απονομιμοποιήσετε τη συμπεριφορά κάποιου.

Συμπερασματικά, μια προσέγγιση Know Your World εξετάζει τόσο ευρύτερα όσο και βαθύτερα τις πηγές σοβαρού κινδύνου στο ίδρυμά σας. Και επειδή πρόκειται για παρακολούθηση συμπεριφοράς μέσω δεδομένων, μπορούμε να παρακολουθούμε τον κίνδυνο χωρίς να είμαστε υπερβολικά επεμβατικοί ή άδικοι για τα άτομα.
Όταν κάνουμε παρακολούθηση συμπεριφοράς, δεν κοιτάμε ποτέ το θέμα. Αντίθετα, αναζητούμε τη συμπεριφορά ή τις διαφορετικές συμπεριφορές που είναι εμφανείς στα δεδομένα. Και όταν τα βρίσκουμε, τότε και μόνο τότε η συμπεριφορά συνδέεται με μια οντότητα κάποιου είδους: έναν πελάτη, έναν πωλητή ή ένα AI/ML
Εφαρμογή.