Tunne oma maailma – hoolsuskohustuse ringi sulgemine (Frank Cummings)

Finantsasutused on ülemaailmselt täiustanud kliendi hoolsuskohustust / tundke oma klienti kuni puhta kunstini. Mõnel juhul koguvad asutused üle 600 individuaalse teabevälja ja mõned kasutavad toetamiseks 14 andmeliidest.
sisemiste süsteemide ja väliste andmepakkujate segu. See on jõudmas punkti, kus me teame oma klientidest, nendega seotud osapooltest ja nende omanikest rohkem kui endast. Kuid nagu öeldakse: "Ükski heategu ei jää karistamata" ja CDD/KYC
ei lõpe andmete kogumisega ainult klientide kohta.

Kogu seda hoolsustööd – küsimuste kogumine, andmeliidesed ja pingiteenused, laiendatud suhete analüüs, märgistamine ja jälgimine – tuleb riski täielikumaks ja realistlikumaks maandamiseks tõenäoliselt korrata. ma mõtlen
see laiem lähenemine kui "Tunne oma maailma" või KYW.

KYW-s on teil mitu suurt kategooriat, mis vajavad hoolsuskohustust:

1. Kliendid
2. Kõik klientide seotud osapooled
3. Tootjad
4. Töötajad
5. Juhid
6. AI/ML rakendused
7. Kõik teadaolevad seosed muude kategooriate kui 2. kategooria ja 1. kategooria vahel

Kõik hoolsusmeetmed, mida te kõigi kategooriatega teete, on ühe eesmärgiga: tuvastada ja maandada finantskuritegude riske.

Räägime natuke KYW-lähenemise lisakategooriatest:

Müüjad: hoolsuskohustuse tase, mida te müüja suhtes teeksite, ei erine kliendiga võrreldes. Mõistke ja vähendage müüjate arvukaid riske.

Töötajad ja juhid: see on probleem, millega enamik inimesi finantsasutustes on: „Miks me tahame seda teha? Need on asutuse töötajad ja juhid.» Töötajate ja juhtide hoolsuskohustus on erinev, kuid
see on lihtsalt hoolsuskohustus, et teha kindlaks, milline on töötajate või juhtide eeldatav käitumine. Hiljem – sarnaselt sellele, kuidas jälgite oma kliendiandmeid ootamatu käitumise otsimisel – teeksite sama töötajate ja juhtidega. Te jälgite
andmed – mitte klient ega töötaja. Ainult siis, kui käivitub murettekitava käitumise lipp, teaksid õiged inimesed sellest, et saaksime järelmeetmeid võtta.

AI rakendused: see on kategooria, mis paneb inimesed alguses tegema topeltvõtte – kuni nad peatuvad ja mõtlevad sellele. Tööstuses, mis järgib sõna otseses mõttes igas protsessis ja protseduuris "Näita mulle" mudelit, näib tehisintellekt olevat erand – probleemne.
erand.

 Alustame sellest, millest me räägime, kui ütleme AI rakendused. Tehisintellekti süsteemid, mida teledraamades regulaarselt näete, on vaid väljamõeldud meelelahutusvahendid; tõeline mõtlemismasin on veel kaugel. 

See, mida me sageli kutsume AI-ks, kipub tõesti olema ML või masinõpe. Ja kuigi see pole iseseisvalt intelligentne, võib see õppida. See on koht, kus probleem seisneb näitamistööstuses. 

Arvutialgoritm saab nüüd õppida kolmel viisil: juhendatud õpe, tugevdamine ja järelevalveta. Järelevalve meetod tundub olevat kõige läbipaistvam, kuna näete andmeid, mida süsteemi koolitamiseks kasutati. See meetod on piiratud
reeglites, mida saate rakendada, ja peate looma kõik tingimused andmetes, mida te seda sööte. 

Teine võimalus on tugevdamise meetod, mis nõuab õppimisel inimese kinnitust. 

Siis jõuame metsikusse metsikusse läände: järelevalveta õppimine. Järelevalveta õppimine on just selline, nagu see kõlab. Järelevalveta annate algoritmile andmed ja lasete süsteemil teie esitatud reeglite järgi aru saada, mida andmed tähendavad. See on põhjus, miks
peate oma ML/AI rakendusi sisse lülitama, riskima ja jälgima. Arvestades tööstusharu kohustuslikku näitamist, võite arvata, et teate, mida teie ML/AI-rakendused teevad, kuid te ei saa seda väga lihtsalt tõestada. 

Tundmatud suhted: teie erinevate kategooriate vahelised ebaselged või tundmatud suhted ei pruugi midagi tähendada või võivad olla ah-ha-hetk kellegi käitumise seadustamiseks või delegitimeerimiseks.

Kokkuvõtteks võib öelda, et „Tunne oma maailma“ lähenemisviis vaatleb teie asutuse tõsiste riskide allikaid nii laiemalt kui ka sügavamalt. Ja kuna see on käitumise jälgimine andmete kaudu, saame jälgida riske, ilma et oleksime liiga invasiivsed või ebaausad.
Käitumist jälgides ei vaata me kunagi teemat. Pigem otsime andmetest ilmnevat käitumist või erinevat käitumist. Ja kui me need leiame, siis ja ainult siis on käitumine seotud mingi olemiga: klient, müüja või AI/ML
Taotlus