A pénzintézetek világszerte a tiszta művészet szintjéig javították az Ügyfél átvilágítását/Know Your Customer eljárásait. Egyes esetekben az intézmények több mint 600 egyedi információmezőt gyűjtenek össze, egyesek pedig akár 14 adatfelületet is felhasználnak a támogatásra.
belső rendszerek és külső adatszolgáltatók keveréke. Egyre odáig tartunk, hogy többet tudunk ügyfeleinkről, kapcsolt feleikről és tulajdonosaikról, mint saját magunkról. De ahogy a mondás tartja: „Egy jó cselekedet sem marad büntetlenül” és a CDD/KYC
nem ér véget csupán az ügyfelekre vonatkozó adatgyűjtéssel.
Valószínűleg meg kell ismételni mindazt a kellő gondossággal végzett munkát – a kérdésgyűjtést, az adatfelületeket és a ping-szolgáltatásokat, a kiterjesztett kapcsolatok elemzését, a megjelölést és a nyomon követést – a kockázat teljesebb és reálisabb csökkentése érdekében. arra gondolok
ez a tágabb megközelítés „Ismerd meg a világod” vagy KYW.
A KYW-ben több fő kategóriája van, amelyek átvilágítást igényelnek:
- Ügyfelek
- Az ügyfelek összes kapcsolt fele
- Gyártók
- Az alkalmazottak
- Menedzserek
- AI/ML alkalmazások
- Minden ismert kapcsolat a 2. kategóriától eltérő kategóriák és az 1. kategóriák között
Az összes kategóriával végzett átvilágítás egyetlen célt szolgál: a pénzügyi bűncselekmények kockázatának azonosítását és csökkentését.
Beszélgessünk egy kicsit a további kategóriákról a KYW megközelítésben:
Szállítók: Nincs különbség a kellő gondosság szintjében, amelyet egy eladóval szemben végezne, mint az ügyfelekkel szemben. Ismerje meg és csökkentse a szállítók által jelentett számtalan kockázatot.
Alkalmazottak és vezetők: Ez az, amivel a legtöbb embernek problémája van a pénzintézetekben: „Miért akarjuk ezt csinálni? Ezek az intézmény alkalmazottai és vezetői.” Az alkalmazottak és a vezetők átvilágítása más, de
csak kellő gondossággal kell megállapítani, hogy mi az alkalmazottak vagy vezetők elvárt viselkedése. Később – hasonlóan ahhoz, ahogyan az ügyféladatokat figyeli, amikor váratlan viselkedést keres – ugyanezt tenné az alkalmazottakkal és a vezetőkkel. Te figyelsz
az adatok – nem az ügyfél vagy a munkavállaló. A megfelelő emberek csak akkor tudnak róla, ha egy aggályos viselkedési jelző aktiválódik, hogy nyomon tudjanak követni.
AI-alkalmazások: Ez az a kategória, amely először arra készteti az embereket, hogy duplán hajtsanak végre – egészen addig, amíg meg nem állnak és elgondolkoznak rajta. Egy olyan iparágban, amely szó szerint minden folyamatunkban és eljárásunkban követi a „Show me” modellt, a mesterséges intelligencia kivételnek tűnik – problémás.
kivétel.
Kezdjük azzal, hogy megfogalmazzuk, miről beszélünk, amikor azt mondjuk, AI alkalmazások. A TV-drámákban rendszeresen látható mesterséges intelligencia rendszerek csak kitalált szórakoztatási eszközök; az igazi gondolkodó gép még messze van.
Amit gyakran MI-nek hívunk, az valójában ML vagy gépi tanulás. És bár nem önállóan intelligens, képes tanulni. Ez az, ahol a probléma a show-me iparágban van.
A számítógépes algoritmusok három módszert tanulhatnak meg mostantól: felügyelt tanulás, megerősítés és felügyelet nélküli. A felügyelt módszer tűnik a legátláthatóbbnak, mert látja azokat az adatokat, amelyeket a rendszer betanításához használtak. Ez a módszer korlátozott
az alkalmazható szabályokban, és minden feltételt meg kell teremtenie az általa betáplált adatokban.
A második lehetőség a megerősítési módszer, amely emberi hitelesítést igényel a tanulás során.
Aztán elérkezünk a vad, vadnyugathoz: a felügyelet nélküli tanulás. A felügyelet nélküli tanulás olyan, amilyennek hangzik. Felügyelet nélkül megadja az algoritmusnak az adatokat, és hagyja, hogy a rendszer az Ön által megadott szabályok alapján kitalálja, mit jelentenek az adatok. Ez az oka
be kell építenie, kockáztatnia és felügyelnie kell ML/AI-alkalmazásait. Tekintettel az iparág mutasd meg nekem, azt gondolhatod, hogy tudod, mit csinálnak az ML/AI-alkalmazásaid, de ezt nem nagyon tudod bizonyítani.
Ismeretlen kapcsolatok: A nem nyilvánvaló vagy ismeretlen kapcsolatok a különböző kategóriák között semmit sem jelenthetnek, vagy lehet az Ah-Ha pillanata valaki viselkedésének legitimálására vagy delegitimálására.
Összefoglalva, a Ismerd meg a világodat megközelítés tágabb és mélyebb pillantást vet az intézményben lévő komoly kockázatok forrásaira. És mivel ez a viselkedés adatokon keresztül történő nyomon követése, a kockázatot anélkül tudjuk nyomon követni, hogy túlzottan invazívak vagy igazságtalanok legyünk az egyénekkel szemben.
Amikor viselkedésfigyelést végzünk, soha nem nézzük a témát. Inkább az adatokban látható viselkedést vagy eltérő viselkedéseket keressük. És amikor megtaláljuk őket, akkor és csak akkor kötődik a viselkedés valamilyen entitáshoz: vevőhöz, szállítóhoz vagy mesterséges intelligenciához/ML-hez.
Alkalmazás.
- hangya pénzügyi
- blockchain
- blockchain konferencia fintech
- harangjáték fintech
- coinbase
- coingenius
- kripto konferencia fintech
- FINTECH
- fintech alkalmazás
- fintech innováció
- Fintextra
- Nyílt tenger
- PayPal
- paytech
- fizetési mód
- Plató
- plato ai
- Platón adatintelligencia
- PlatoData
- platogaming
- razorpay
- Revolut
- Ripple
- square fintech
- csík
- tencent fintech
- Xero
- zephyrnet