موسسات مالی در سطح جهان، دقت لازم برای مشتری را افزایش داده اند/روش های مشتری خود را بشناسید تا حد هنر ناب. در برخی موارد، موسسات بیش از 600 زمینه جداگانه اطلاعات را جمع‌آوری می‌کنند و برخی از بیش از 14 رابط داده برای پشتیبانی استفاده می‌کنند.
ترکیبی از سیستم های داخلی و ارائه دهندگان داده های خارجی. کار به جایی می رسد که ما در مورد مشتریان، طرف های مرتبط و صاحبان آنها بیشتر از خودمان می دانیم. اما همانطور که گفته می شود، "هیچ کار خوبی بدون مجازات نمی ماند" و CDD/KYC
به جمع آوری داده ها فقط برای مشتریان ختم نمی شود.
همه این کارها با دقت لازم - جمع آوری سؤال، رابط های داده و خدمات پینگ، تجزیه و تحلیل روابط گسترده، پرچم گذاری و پیگیری - احتمالاً باید تکرار شود تا ریسک به طور کامل و واقعی تر کاهش یابد. فکر می کنم
این رویکرد گسترده تر به عنوان "دنیای خود را بشناسید" یا KYW.
در KYW، چندین دسته اصلی دارید که نیاز به دقت لازم دارند:
- مشتریان
- کلیه اشخاص مرتبط با مشتریان
- فروشندگان
- کارکنان
- مدیران
- برنامه های کاربردی AI/ML
- همه روابط شناخته شده بین دسته های غیر از دسته 2 تا دسته 1
تمام بررسی های لازم برای همه دسته ها برای یک هدف است: شناسایی و کاهش خطر جرایم مالی.
بیایید کمی در مورد دسته بندی های اضافی در رویکرد KYW گپ بزنیم:
فروشندگان: هیچ تفاوتی در سطح دقت لازم برای یک فروشنده نسبت به مشتری وجود ندارد. خطرات بی شماری که توسط فروشندگان ایجاد می شود را درک کرده و کاهش دهید.
کارمندان و مدیران: این مشکلی است که اکثر افراد در مؤسسات مالی با آن مشکل دارند: «چرا می‌خواهیم این کار را انجام دهیم؟ اینها کارکنان و مدیران مؤسسه هستند.» دقتی که در مورد کارمندان و مدیران انجام می دهید متفاوت است، اما
این فقط یک کوشش است که مشخص شود رفتار مورد انتظار کارمندان یا مدیران چیست. بعداً - مشابه نحوه نظارت بر داده‌های مشتری در هنگام جستجوی رفتار غیرمنتظره - همین کار را با کارمندان و مدیران انجام خواهید داد. شما نظارت می کنید
داده ها – نه مشتری یا کارمند. تنها زمانی که یک علامت رفتار نگران کننده فعال شود، افراد مناسب از آن مطلع می شوند تا پیگیری کنند.
کاربردهای هوش مصنوعی: این مقوله ای است که در ابتدا باعث می شود افراد دوبار مصرف کنند – تا زمانی که متوقف شوند و به آن فکر کنند. در صنعتی که به معنای واقعی کلمه در هر فرآیند و رویه‌ای از مدل «به من نشان بده» پیروی می‌کند، به نظر می‌رسد هوش مصنوعی یک استثناست - یک مشکل
استثنا.
بیایید با قاب بندی آنچه در مورد آن صحبت می کنیم شروع کنیم، وقتی می گوییم برنامه های کاربردی هوش مصنوعی. سیستم‌های هوش مصنوعی که مرتباً در سریال‌های تلویزیونی می‌بینید، فقط وسایلی خیالی برای سرگرمی هستند. ماشین تفکر واقعی هنوز دور است.
چیزی که ما اغلب آن را هوش مصنوعی می نامیم، واقعاً ML یا یادگیری ماشینی است. و در حالی که به طور مستقل هوشمند نیست، می تواند یاد بگیرد. اینجاست که مشکل در صنعت نمایش من نهفته است.
سه روش وجود دارد که یک الگوریتم کامپیوتری می تواند از این پس بیاموزد: یادگیری تحت نظارت، تقویت و بدون نظارت. به نظر می رسد روش نظارت شده شفاف ترین باشد زیرا داده هایی را می بینید که برای آموزش سیستم استفاده شده است. این روش محدود است
در قوانینی که می‌توانید اعمال کنید، و باید همه شرایط را در داده‌هایی که آن را تغذیه می‌کنید ایجاد کنید.
گزینه دوم روش تقویتی است که در حین یادگیری نیاز به اعتبارسنجی انسانی دارد.
سپس به غرب وحشی و وحشی می رسیم: یادگیری بدون نظارت. یادگیری بدون نظارت دقیقاً به نظر می رسد. در حالت بدون نظارت، داده‌ها را به الگوریتم می‌دهید و به سیستم اجازه می‌دهید با قوانینی که در مورد معنای داده‌ها ارائه می‌دهید، بفهمد. به این دلیل
شما باید برنامه های کاربردی ML/AI خود را در داخل هواپیما، نرخ ریسک و نظارت داشته باشید. با توجه به ضرورت نمایش من در صنعت، ممکن است فکر کنید می‌دانید برنامه‌های ML/AI شما چه کار می‌کنند، اما نمی‌توانید به راحتی آن را ثابت کنید.
روابط ناشناخته: روابط غیر آشکار یا ناشناخته در بین دسته‌های مختلف شما نمی‌تواند معنایی نداشته باشد یا می‌تواند لحظه آه-ها برای مشروعیت بخشیدن یا مشروعیت‌زدایی از رفتار کسی باشد.
در نتیجه، رویکرد جهان خود را بشناسید، نگاهی گسترده‌تر و عمیق‌تر به منابع ریسک جدی در موسسه شما دارد. و چون نظارت بر رفتار از طریق داده است، می‌توانیم ریسک را بدون اینکه بیش از حد تهاجمی یا ناعادلانه نسبت به افراد انجام دهیم، نظارت کنیم.
وقتی ما نظارت بر رفتار انجام می دهیم، هرگز به موضوع نگاه نمی کنیم. در عوض، ما به دنبال رفتار یا رفتارهای متفاوت مشهود در داده ها هستیم. و هنگامی که ما آنها را پیدا می کنیم، آنگاه و تنها در آن صورت رفتار به نوعی مرتبط است: یک مشتری، یک فروشنده، یا یک AI/ML
کاربرد.
