Tunne maailmasi – due diligence -kierteen sulkeminen (Frank Cummings)

Rahoituslaitokset ovat maailmanlaajuisesti parantaneet asiakkaan tuntemisvelvollisuutta/tuntemusi asiakkaan menettelytapoja puhtaan taiteen tasolle. Joissakin tapauksissa laitokset keräävät yli 600 yksittäistä tietokenttää, ja jotkut käyttävät yli 14 tietorajapintaa tukeakseen.
yhdistelmä sisäisiä järjestelmiä ja ulkoisia tiedontarjoajia. Se on tulossa siihen pisteeseen, että tiedämme enemmän asiakkaistamme, heidän lähipiiristään ja heidän omistajistaan ​​kuin tiedämme itsestämme. Mutta kuten sanonta kuuluu: "Mikään hyvä teko ei jää rankaisematta" ja CDD/KYC
ei pääty tietojen keräämiseen vain asiakkaista.

Kaikki tämä due diligence -työ – kysymysten kerääminen, datarajapinnat ja ping-palvelut, laajennettujen suhteiden analysointi, liputus ja seuranta – on todennäköisesti toistettava riskin vähentämiseksi täydellisemmin ja realistisemmin. ajattelen
tämä laajempi lähestymistapa nimellä "Know Your World" tai KYW.

KYW:ssä sinulla on useita pääkategorioita, jotka tarvitsevat due Diligence -tarkastusta:

1. Asiakkaat
2. Kaikki asiakkaiden lähipiirit
3. Toimittajat
4. Työntekijät
5. Päättäjät
6. AI/ML-sovellukset
7. Kaikki tunnetut suhteet muiden luokkien kuin luokan 2 ja luokkaan 1 välillä

Kaikki due diligence, jonka teet kaikkien luokkien kanssa, on yksi tarkoitus: tunnistaa ja vähentää talousrikosten riskiä.

Keskustellaanpa hieman lisäluokista KYW-lähestymistapassa:

Myyjät: Myyjän due diligence -tarkastuksen tasossa ei ole eroa kuin asiakkaan suhteen. Ymmärrä ja vähennä myyjien aiheuttamia lukuisia riskejä.

Työntekijät ja johtajat: Tämä on ongelma, jonka kanssa useimmat ihmiset rahoituslaitoksissa ovat: "Miksi haluaisimme tehdä tämän? Nämä ovat laitoksen työntekijöitä ja johtajia." Työntekijöiden ja johtajien due diligence on erilainen, mutta
se on vain due diligence selvittää, millainen työntekijöiden tai esimiesten käyttäytyminen on odotettavissa. Myöhemmin – samalla tavalla kuin seuraat asiakastietojasi etsiessäsi odottamatonta käyttäytymistä – tekisit samoin työntekijöiden ja esimiesten kanssa. Sinä tarkkailet
tiedot – ei asiakas tai työntekijä. Vain kun huolestuttava käyttäytymislippu laukeaa, oikeat ihmiset tietäisivät siitä voidakseen seurata.

Tekoälysovellukset: Tämä on luokka, joka saa ihmiset aluksi tekemään kaksoisotos - kunnes he pysähtyvät ajattelemaan sitä. Toimialalla, joka noudattaa "Näytä minulle" -mallia kirjaimellisesti kaikissa prosesseissamme ja menettelyissämme, tekoäly näyttää olevan poikkeus – ongelmallinen
poikkeus.

 Aloitetaan kehystämällä se, mistä puhumme, kun sanomme AI-sovellukset. Tekoälyjärjestelmät, joita näet säännöllisesti tv-sarjoissa, ovat vain kuvitteellisia viihdevälineitä; todellinen ajattelukoneisto on vielä kaukana. 

Se, mitä me usein kutsumme tekoälyksi, on yleensä ML tai koneoppiminen. Ja vaikka se ei ole itsenäisesti älykäs, se voi oppia. Tässä ongelma piilee show-me-teollisuudessa. 

Tietokonealgoritmi voi nyt oppia kolmella menetelmällä: ohjattu oppiminen, vahvistaminen ja ilman valvontaa. Valvottu menetelmä näyttää olevan läpinäkyvin, koska näet tiedot, joita käytettiin järjestelmän kouluttamiseen. Tämä menetelmä on rajoitettu
säännöissä, joita voit soveltaa, ja sinun on luotava kaikki ehdot sille syöttämillesi tiedoille. 

Toinen vaihtoehto on vahvistusmenetelmä, joka vaatii ihmisen validoinnin oppiessaan. 

Sitten tulemme villiin, villiin länteen: valvomatonta oppimista. Ohjaamaton oppiminen on juuri sitä miltä se kuulostaa. Valvomatta annat tiedot algoritmille ja annat järjestelmän selvittää antamiesi sääntöjen mukaan, mitä data tarkoittaa. Tämän vuoksi
sinun on otettava käyttöön, riskittävä ja valvottava ML/AI-sovelluksiasi. Kun otetaan huomioon alan show me -vaatimus, saatat luulla tietäväsi, mitä ML/AI-sovelluksesi tekevät, mutta et voi todistaa sitä kovin helposti. 

Tuntemattomat suhteet: Ei-ilmeiset tai tuntemattomat suhteet eri luokkien kesken eivät voi tarkoittaa mitään tai voivat olla Ah-Ha hetki legitimoida tai delegitimoida jonkun käyttäytyminen.

Yhteenvetona totean, että Know Your World -lähestymistapa ottaa sekä laajemman että syvemmän tarkastelun laitoksesi vakavien riskien lähteisiin. Ja koska se on käyttäytymisen seurantaa tietojen avulla, voimme valvoa riskejä olematta liian invasiivisia tai epäreiluja yksilöitä kohtaan.
Kun seuraamme käyttäytymistämme, emme koskaan katso aihetta. Pikemminkin etsimme tiedoista ilmeistä käyttäytymistä tai erilaisia ​​käyttäytymismalleja. Ja kun löydämme ne, silloin ja vasta sitten käyttäytyminen on sidottu jonkinlaiseen kokonaisuuteen: asiakkaaseen, myyjään tai tekoälyyn/ML:ään.
Sovellus.