מוסדות פיננסיים ברחבי העולם שיפרו את נהלי בדיקת הנאותות/הכר את הלקוח שלך עד כדי אמנות טהורה. במקרים מסוימים, מוסדות אוספים למעלה מ-600 שדות מידע בודדים, וחלקם משתמשים ביותר מ-14 ממשקי נתונים כדי לתמוך
שילוב של מערכות פנימיות וספקי נתונים חיצוניים. זה מגיע לנקודה שבה אנחנו יודעים יותר על הלקוחות שלנו, הצדדים הקשורים שלהם והבעלים שלהם ממה שאנחנו יודעים על עצמנו. אבל כמו שאומר הפתגם, "אף מעשה טוב אינו נטול עונש", ו-CDD/KYC
לא מסתיים באיסוף נתונים רק על לקוחות.
כל עבודת בדיקת הנאותות הזו - איסוף השאלות, ממשקי הנתונים ושירותי הפינג, ניתוח מערכות יחסים מורחבות, הסימון והמעקב - ככל הנראה צריך לחזור על עצמו כדי להפחית את הסיכון באופן מלא ומציאותי יותר. אני חושב על
גישה רחבה יותר זו כ"דע את עולמך", או KYW.
ב-KYW, יש לך כמה קטגוריות עיקריות הזקוקות לבדיקת נאותות:
- לקוחות
- כל הצדדים הקשורים ללקוחות
- ספקים
- עובדים
- מנהלים
- יישומי AI/ML
- כל הקשרים הידועים בין קטגוריות שאינן קטגוריה 2 לקטגוריה 1
כל בדיקת הנאותות שאתה עושה עם כל הקטגוריות היא למטרה אחת: לזהות ולהפחית את הסיכון לפשעים פיננסיים.
בואו נדבר קצת על הקטגוריות הנוספות בגישת KYW:
ספקים: אין הבדל ברמת בדיקת הנאותות שתעשה על ספק מאשר אתה עושה עבור לקוח. להבין ולהפחית את שלל הסיכונים הנשקפים מהספקים.
עובדים ומנהלים: זו הבעיה שלרוב האנשים במוסדות פיננסיים: "למה שנרצה לעשות את זה? מדובר בעובדים ומנהלי המוסד”. בדיקת הנאותות שאתה עושה על עובדים ומנהלים היא שונה, אבל
זה רק בדיקת נאותות כדי לקבוע מהי ההתנהגות הצפויה של העובדים או המנהלים. מאוחר יותר - בדומה לאופן שבו אתה מנטר את נתוני הלקוחות שלך כאשר אתה מחפש התנהגות בלתי צפויה - אתה תעשה את אותו הדבר עם עובדים ומנהלים. אתה עוקב
הנתונים - לא הלקוח או העובד. רק כאשר מופעל דגל נוגע להתנהגות, האנשים הנכונים ידעו על כך על מנת לעקוב.
יישומי בינה מלאכותית: זו הקטגוריה שבהתחלה גורמת לאנשים לעשות דאבלטייק - עד שהם עוצרים וחושבים על זה. בתעשייה שעוקבת אחר מודל "הראה לי" ממש בכל תהליך והליך שאנו עושים, נראה כי AI הוא חריג - בעייתי
יוצא מן הכלל.
בואו נתחיל במסגור על מה אנחנו מדברים כשאנחנו אומרים יישומי AI. מערכות הבינה המלאכותית שאתה רואה בקביעות בדרמות טלוויזיה הן רק כלי רכב בדיוניים לבידור; מכונת החשיבה האמיתית עדיין רחוקה.
מה שאנו מכנים לעתים קרובות AI נוטה באמת להיות ML, או למידת מכונה. ולמרות שהוא לא אינטליגנטי באופן עצמאי, הוא יכול ללמוד. שם טמונה הבעיה בתעשיית הראו לי.
ישנן שלוש שיטות שאלגוריתם מחשב יכול ללמוד מעכשיו: למידה מפוקחת, חיזוק ובלתי מפוקח. נראה שהשיטה המפוקחת היא השקופה ביותר מכיוון שרואים את הנתונים ששימשו לאימון המערכת. שיטה זו מוגבלת
בכללים שאתה יכול ליישם, ואתה חייב ליצור את כל התנאים בנתונים שאתה מזין אותו.
אפשרות שנייה היא שיטת החיזוק, הדורשת אימות אנושי תוך כדי למידה.
ואז אנחנו מגיעים למערב הפרוע והפרוע: למידה ללא פיקוח. למידה ללא פיקוח היא בדיוק כמו שזה נשמע. במצב ללא פיקוח, אתה נותן לאלגוריתם את הנתונים ונותן למערכת להבין לפי הכללים שאתה מספק לגבי המשמעות של הנתונים. זו הסיבה לכך
תצטרך להצטרף, לדרג סיכון ולנטר את יישומי ה-ML/AI שלך. בהתחשב בצווי ההצגה של התעשייה, אתה אולי חושב שאתה יודע מה יישומי ה-ML/AI שלך עושים, אבל אתה לא יכול להוכיח זאת בקלות רבה.
מערכות יחסים לא ידועות: מערכות יחסים לא ברורות או לא ידועות בין הקטגוריות השונות שלך לא יכולות להיות שום משמעות או יכולות להיות רגע הא-הא לתת לגיטימציה או דה-לגיטימציה להתנהגות של מישהו.
לסיכום, גישת Know Your World לוקחת מבט רחב יותר ומעמיק יותר על מקורות סיכונים רציניים במוסד שלך. ומכיוון שזה ניטור התנהגות באמצעות נתונים, אנו יכולים לנטר את הסיכון מבלי להיות פולשניים מדי או לא הוגנים כלפי אנשים.
כשאנחנו עושים ניטור התנהגותי, אנחנו אף פעם לא מסתכלים על הנושא. במקום זאת, אנו מחפשים את ההתנהגות או התנהגויות שונות הניכרות בנתונים. וכשאנחנו מוצאים אותם, אז ורק אז ההתנהגות קשורה לישות כלשהי: לקוח, ספק או AI/ML
יישום.
