Know Your World – Boucler le cercle de la diligence raisonnable (Frank Cummings)

Les institutions financières du monde entier ont amélioré les procédures de diligence raisonnable à l'égard de la clientèle/connaître votre client au point d'en faire de l'art pur. Dans certains cas, les institutions collectent plus de 600 champs d'informations individuels, et certaines utilisent plus de 14 interfaces de données pour prendre en charge
une combinaison de systèmes internes et de fournisseurs de données externes. Nous en arrivons au point où nous en savons plus sur nos clients, leurs parties liées et leurs propriétaires que nous en savons sur nous-mêmes. Mais comme le dit le dicton, "Aucune bonne action ne reste impunie", et CDD/KYC
ne s'arrête pas à la collecte de données uniquement sur les clients.

Tout ce travail de diligence raisonnable - la collecte des questions, les interfaces de données et les services ping, l'analyse des relations étendues, le signalement et le suivi - doit probablement être répété pour atténuer le risque de manière plus complète et plus réaliste. je pense à
cette approche plus large sous le nom de "Know Your World" ou KYW.

Dans KYW, vous avez plusieurs grandes catégories nécessitant une diligence raisonnable :

1. Clients
2. Toutes les parties liées des clients
3. Fournisseurs
4. Employés
5. Gestionnaires
6. Applications IA/ML
7. Toutes les relations connues entre les catégories autres que la catégorie 2 et la catégorie 1

Toute la diligence raisonnable que vous effectuez avec toutes les catégories n'a qu'un seul but : identifier et atténuer le risque de crimes financiers.

Parlons un peu des catégories supplémentaires dans une approche KYW :

Fournisseurs : il n'y a pas de différence dans le niveau de diligence raisonnable que vous feriez pour un fournisseur que pour un client. Comprenez et atténuez la myriade de risques posés par les fournisseurs.

Employés et gestionnaires : C'est celui avec lequel la plupart des gens dans les institutions financières ont un problème : « Pourquoi voudrions-nous faire cela ? Ce sont des employés et des cadres de l'institution. La diligence raisonnable que vous faites sur les employés et les gestionnaires est différente, mais
c'est juste une diligence raisonnable pour établir quel est le comportement attendu des employés ou des gestionnaires. Plus tard, de la même manière que vous surveillez les données de vos clients lorsque vous recherchez un comportement inattendu, vous feriez de même avec les employés et les responsables. Vous surveillez
les données, pas le client ou l'employé. Ce n'est que lorsqu'un indicateur de comportement préoccupant est déclenché que les bonnes personnes en seront informées afin d'assurer le suivi.

Applications d'IA : C'est la catégorie qui, au début, amène les gens à faire une double prise - jusqu'à ce qu'ils s'arrêtent et y réfléchissent. Dans une industrie qui suit le modèle "Montrez-moi" dans littéralement tous les processus et procédures que nous effectuons, l'IA semble être une exception - un problème
exception.

 Commençons par définir ce dont nous parlons lorsque nous parlons d'applications d'IA. Les systèmes d'intelligence artificielle que vous voyez régulièrement dans les séries télévisées ne sont que des véhicules fictifs de divertissement ; la véritable machine à penser est encore loin. 

Ce que nous appelons souvent l'IA tend vraiment à être ML, ou apprentissage automatique. Et bien qu'il ne soit pas indépendamment intelligent, il peut apprendre. C'est là que réside le problème dans une industrie du show-me. 

Il existe trois méthodes qu'un algorithme informatique peut apprendre à partir de maintenant : l'apprentissage supervisé, le renforcement et l'apprentissage non supervisé. La méthode supervisée semble être la plus transparente car vous voyez les données qui ont été utilisées pour entraîner le système. Cette méthode est limitée
dans les règles que vous pouvez appliquer, et vous devez créer toutes les conditions dans les données que vous alimentez. 

Une deuxième option est la méthode de renforcement, qui nécessite une validation humaine au fur et à mesure de son apprentissage. 

Ensuite, nous arrivons à l'ouest sauvage et sauvage : l'apprentissage non supervisé. L'apprentissage non supervisé, c'est comme ça en a l'air. En mode non supervisé, vous donnez les données à l'algorithme et laissez le système déterminer selon les règles que vous fournissez concernant la signification des données. C'est pourquoi
vous auriez besoin d'intégrer, d'évaluer les risques et de surveiller vos applications ML/AI. Compte tenu de l'impératif show-me de l'industrie, vous pensez peut-être savoir ce que font vos applications ML/AI, mais vous ne pouvez pas le prouver très facilement. 

Relations inconnues : les relations non évidentes ou inconnues entre vos différentes catégories peuvent ne rien signifier ou peuvent être le moment Ah-Ha pour légitimer ou délégitimer le comportement de quelqu'un.

En conclusion, une approche Know Your World permet d'examiner à la fois de manière plus large et plus approfondie les sources de risques graves dans votre établissement. Et parce qu'il s'agit d'une surveillance du comportement via les données, nous pouvons surveiller les risques sans être trop invasifs ou injustes pour les individus.
Quand on fait du monitoring comportemental, on ne regarde jamais le sujet. Nous recherchons plutôt le comportement ou les différents comportements évidents dans les données. Et lorsque nous les trouvons, alors et alors seulement, le comportement est lié à une entité quelconque : un client, un fournisseur ou une IA/ML.
Application.