Kenali Dunia Anda – Menutup lingkaran uji tuntas (Frank Cummings)

Lembaga keuangan secara global telah meningkatkan prosedur Uji Tuntas Pelanggan/Kenali Pelanggan Anda sampai ke titik seni murni. Dalam beberapa kasus, institusi mengumpulkan lebih dari 600 bidang informasi individu, dan beberapa menggunakan lebih dari 14 antarmuka data untuk mendukung
campuran sistem internal dan penyedia data eksternal. Ini sampai pada titik di mana kita tahu lebih banyak tentang pelanggan kita, pihak terkait mereka, dan pemiliknya daripada yang kita ketahui tentang diri kita sendiri. Tapi seperti kata pepatah, “Tidak ada perbuatan baik yang tidak dihukum,” dan CDD/KYC
tidak berakhir dengan pengumpulan data hanya pada pelanggan.

Semua pekerjaan uji tuntas itu—pengumpulan pertanyaan, antarmuka data dan layanan ping, analisis hubungan yang diperluas, penandaan dan tindak lanjut—mungkin perlu diulang untuk memitigasi Risiko secara lebih lengkap dan lebih realistis. Saya berpikir tentang
pendekatan yang lebih luas ini sebagai "Kenali Dunia Anda," atau KYW.

Di KYW, Anda memiliki beberapa kategori utama yang membutuhkan Uji Tuntas:

1. pelanggan
2. Semua pihak terkait pelanggan
3. Vendor
4. Karyawan
5. Manajer
6. Aplikasi AI/ML
7. Semua hubungan yang diketahui antara kategori selain kategori 2 ke kategori 1

Semua uji tuntas yang Anda lakukan dengan semua kategori adalah untuk satu tujuan: untuk mengidentifikasi dan mengurangi risiko kejahatan keuangan.

Mari mengobrol sedikit tentang kategori tambahan dalam pendekatan KYW:

Vendor: Tidak ada perbedaan dalam tingkat uji tuntas yang akan Anda lakukan pada vendor daripada yang Anda lakukan untuk pelanggan. Memahami dan mengurangi segudang risiko yang ditimbulkan oleh vendor.

Karyawan dan Manajer: Ini adalah masalah yang dihadapi kebanyakan orang di lembaga keuangan: “Mengapa kita ingin melakukan ini? Ini adalah karyawan dan manajer institusi.” Uji tuntas yang Anda lakukan pada karyawan dan manajer berbeda, tapi
itu hanya uji tuntas untuk menetapkan perilaku yang diharapkan dari karyawan atau manajer. Nanti—mirip dengan cara Anda memantau data pelanggan saat mencari perilaku tak terduga—Anda akan melakukan hal yang sama dengan karyawan dan manajer. Anda sedang memantau
data-bukan pelanggan atau karyawan. Hanya ketika bendera perilaku terkait dipicu, orang yang tepat akan mengetahuinya untuk menindaklanjutinya.

Aplikasi AI: Ini adalah kategori yang pada awalnya menyebabkan orang melakukan pengambilan ganda–sampai mereka berhenti dan memikirkannya. Dalam industri yang mengikuti model “Tunjukkan pada saya” dalam setiap proses dan prosedur yang kami lakukan, AI tampaknya menjadi pengecualian—masalah
pengecualian.

 Mari kita mulai dengan membingkai apa yang kita bicarakan ketika kita mengatakan Aplikasi AI. Sistem Kecerdasan Buatan yang biasa Anda lihat di drama TV hanyalah kendaraan fiksi untuk hiburan; mesin berpikir yang sebenarnya masih jauh. 

Apa yang sering kita sebut AI cenderung benar-benar ML, atau pembelajaran mesin. Dan meskipun tidak cerdas secara mandiri, ia dapat belajar. Di situlah masalahnya terletak pada industri pertunjukan saya. 

Ada tiga metode yang dapat dipelajari oleh algoritma komputer dari sekarang: pembelajaran yang diawasi, penguatan, dan tanpa pengawasan. Metode terawasi tampaknya paling transparan karena Anda melihat data yang digunakan untuk melatih sistem. Metode ini terbatas
dalam aturan yang dapat Anda terapkan, dan Anda harus membuat semua ketentuan dalam data yang Anda berikan itu. 

Pilihan kedua adalah metode penguatan, yang membutuhkan validasi manusia saat belajar. 

Kemudian kita sampai ke alam liar, barat yang liar: pembelajaran tanpa pengawasan. Pembelajaran tanpa pengawasan sama seperti kedengarannya. Dalam unsupervised, Anda memberikan algoritme data dan membiarkan sistem mencari tahu dengan aturan yang Anda berikan mengenai apa arti data tersebut. Ini sebabnya
Anda perlu mengaktifkan, menilai risiko, dan memantau Aplikasi ML/AI Anda. Mengingat keharusan industri ini, Anda mungkin berpikir Anda tahu apa yang dilakukan aplikasi ML/AI Anda, tetapi Anda tidak dapat membuktikannya dengan mudah. 

Hubungan tidak diketahui: Hubungan yang tidak jelas atau tidak diketahui di antara berbagai kategori Anda tidak dapat berarti apa-apa atau dapat menjadi momen Ah-Ha untuk melegitimasi atau mendelegitimasi perilaku seseorang.

Kesimpulannya, pendekatan Know Your World melihat lebih luas dan lebih dalam sumber Risiko serius di institusi Anda. Dan karena ini adalah pemantauan perilaku melalui data, kami dapat memantau Risiko tanpa terlalu invasif atau tidak adil terhadap individu.
Ketika kami melakukan pemantauan perilaku, kami tidak pernah melihat subjeknya. Sebaliknya, kami mencari perilaku atau perilaku berbeda yang terlihat dalam data. Dan ketika kami menemukannya, maka dan hanya pada saat itulah perilaku terkait dengan entitas semacam: pelanggan, vendor, atau AI/ML
Aplikasi.