Know Your World - De cirkel van due diligence sluiten (Frank Cummings)

Financiële instellingen over de hele wereld hebben Customer Due Diligence/Know Your Customer-procedures verbeterd tot het punt van pure kunst. In sommige gevallen verzamelen instellingen meer dan 600 afzonderlijke informatievelden, en sommige gebruiken meer dan 14 data-interfaces ter ondersteuning
een mix van interne systemen en externe dataproviders. Het komt op het punt dat we meer weten over onze klanten, hun verbonden partijen en hun eigenaren dan we over onszelf weten. Maar zoals het gezegde luidt: "Geen goede daad blijft ongestraft", en CDD/KYC
stopt niet bij het verzamelen van gegevens over alleen klanten.

Al dat due diligence-werk - het verzamelen van vragen, de gegevensinterfaces en ping-services, de analyse van uitgebreide relaties, het markeren en opvolgen - moet waarschijnlijk worden herhaald om het risico vollediger en realistischer te beperken. ik denk aan
deze bredere benadering als "Know Your World" of KYW.

In KYW heb je verschillende hoofdcategorieën die due diligence nodig hebben:

1. Klanten
2. Alle gerelateerde partijen van klanten
3. Leveranciers
4. Werknemers
5. Managers
6. AI/ML-toepassingen
7. Alle bekende relaties tussen categorieën anders dan categorie 2 tot categorie 1

Alle due diligence die u doet met alle categorieën heeft maar één doel: het identificeren en beperken van het risico op financiële misdrijven.

Laten we het even hebben over de extra categorieën in een KYW-benadering:

Leveranciers: Er is geen verschil in het niveau van due diligence dat u zou doen voor een leverancier dan voor een klant. Begrijp en beperk de talloze risico's van leveranciers.

Medewerkers en managers: Dit is het probleem waar de meeste mensen in financiële instellingen een probleem mee hebben: “Waarom zouden we dit willen doen? Dit zijn medewerkers en managers van de instelling.” De due diligence die u doet op werknemers en managers is anders, maar
het is gewoon due diligence om vast te stellen wat het verwachte gedrag van de werknemers of managers is. Later - net zoals u uw klantgegevens bewaakt wanneer u op zoek bent naar onverwacht gedrag - zou u hetzelfde doen met werknemers en managers. Je houdt toezicht
de gegevens – niet de klant of de werknemer. Alleen wanneer een vlag met een verontrustend gedrag wordt geactiveerd, zouden de juiste mensen hiervan op de hoogte zijn om op te volgen.

AI-toepassingen: dit is de categorie die ervoor zorgt dat mensen in eerste instantie een dubbele take doen - totdat ze stoppen en erover nadenken. In een industrie die het "Laat mij zien"-model volgt in letterlijk elk proces en elke procedure die we doen, lijkt AI een uitzondering te zijn - een problematische
uitzondering.

 Laten we beginnen met in te kaderen waar we het over hebben als we AI-toepassingen zeggen. De kunstmatige-intelligentiesystemen die je regelmatig op tv-drama's ziet, zijn slechts fictieve voertuigen voor entertainment; de ware denkmachine is nog ver weg. 

Wat we vaak AI noemen, is meestal ML of machine learning. En hoewel het niet onafhankelijk intelligent is, kan het leren. Dat is waar het probleem ligt in een show-me-industrie. 

Er zijn drie methoden waaruit een computeralgoritme kan leren: leren onder toezicht, versterking en niet-gesuperviseerd leren. De gesuperviseerde methode lijkt het meest transparant omdat je de gegevens ziet die zijn gebruikt om het systeem te trainen. Deze methode is beperkt
in de regels die u kunt toepassen, en u moet alle voorwaarden maken in de gegevens die u eraan geeft. 

Een tweede optie is de bekrachtigingsmethode, die menselijke validatie vereist tijdens het leren. 

Dan komen we bij het wilde, wilde westen: leren zonder toezicht. Ongesuperviseerd leren is precies zoals het klinkt. In unsupervised geef je het algoritme de gegevens en laat je het systeem uitzoeken aan de hand van de regels die je opgeeft met betrekking tot wat de gegevens betekenen. Dit is waarom
u zou uw ML/AI-applicaties moeten onboarden, risicopercentage en monitoren. Gezien de noodzaak van de industrie om te laten zien, denkt u misschien dat u weet wat uw ML/AI-toepassingen doen, maar u kunt het niet gemakkelijk bewijzen. 

Onbekende relaties: Niet voor de hand liggende of onbekende relaties tussen uw verschillende categorieën kunnen niets betekenen of kunnen het Ah-Ha-moment zijn om iemands gedrag te legitimeren of te delegitimeren.

Kortom, een Know Your World-benadering kijkt zowel breder als dieper naar bronnen van ernstige risico's in uw instelling. En omdat het gedragsmonitoring via gegevens is, kunnen we controleren op risico zonder overdreven invasief of oneerlijk te zijn voor individuen.
Bij gedragsmonitoring kijken we nooit naar het onderwerp. In plaats daarvan zoeken we naar het gedrag of de verschillende gedragingen die zichtbaar zijn in gegevens. En wanneer we ze vinden, dan en alleen dan is het gedrag gekoppeld aan een of andere entiteit: een klant, een leverancier of een AI/ML
Toepassing.