Finansinstitusjoner over hele verden har forbedret Customer Due Diligence/Kenn Your Customer-prosedyrene til det rene kunst. I noen tilfeller samler institusjoner inn over 600 individuelle informasjonsfelt, og noen bruker over 14 datagrensesnitt for å støtte
en blanding av interne systemer og eksterne dataleverandører. Det begynner å komme til et punkt hvor vi vet mer om kundene våre, deres nærstående parter og deres eiere enn vi vet om oss selv. Men som ordtaket sier: "Ingen god gjerning blir ustraffet," og CDD/KYC
slutter ikke med datainnsamling på kun kunder.
Alt dette arbeidet med due diligence – spørsmålsinnsamlingen, datagrensesnittene og ping-tjenestene, analysen av utvidede relasjoner, flaggingen og oppfølgingen – må sannsynligvis gjentas for å redusere risiko mer fullstendig og mer realistisk. jeg tenker på
denne bredere tilnærmingen som "Know Your World" eller KYW.
I KYW har du flere hovedkategorier som trenger Due Diligence:
- Kunder
- Alle nærstående parter til kunder
- Leverandører
- Ansatte
- Ledere
- AI/ML-applikasjoner
- Alle kjente sammenhenger mellom andre kategorier enn kategori 2 til kategori 1
All due diligence du gjør med alle kategoriene har ett formål: å identifisere og redusere risikoen for økonomisk kriminalitet.
La oss snakke litt om tilleggskategoriene i en KYW-tilnærming:
Leverandører: Det er ingen forskjell i nivået av due diligence du ville gjort på en leverandør enn du gjør for en kunde. Forstå og redusere de utallige risikoene som leverandørene utgjør.
Ansatte og ledere: Dette er den de fleste i finansinstitusjoner har et problem med: «Hvorfor skulle vi ønske å gjøre dette? Dette er ansatte og ledere ved institusjonen.» Due diligence du gjør på ansatte og ledere er annerledes, men
det er bare due diligence å fastslå hva den forventede oppførselen til ansatte eller ledere er. Senere – i likhet med hvordan du overvåker kundedataene dine når du leter etter uventet oppførsel – ville du gjort det samme med ansatte og ledere. Du overvåker
dataene – ikke kunden eller den ansatte. Bare når et flagg for angående atferd utløses vil de rette personene vite om det for å følge opp.
AI-applikasjoner: Dette er kategorien som først får folk til å gjøre en doubletake – helt til de stopper opp og tenker på det. I en bransje som følger «Vis meg»-modellen i bokstavelig talt hver prosess og prosedyre vi gjør, ser AI ut til å være et unntak – et problematisk
unntak.
La oss starte med å ramme inn det vi snakker om når vi sier AI-applikasjoner. Artificial Intelligence-systemene du regelmessig ser på TV-dramaer er bare fiktive kjøretøy for underholdning; den sanne tenkemaskinen er fortsatt langt unna.
Det vi ofte kaller AI har en tendens til å være ML, eller maskinlæring. Og selv om den ikke er uavhengig intelligent, kan den lære. Det er der problemet ligger i en show-me-bransje.
Det er tre metoder en datamaskinalgoritme kan lære fra nå: overvåket læring, forsterkning og uten tilsyn. Den overvåkede metoden ser ut til å være den mest gjennomsiktige fordi du ser dataene som ble brukt til å trene systemet. Denne metoden er begrenset
i reglene du kan bruke, og du må opprette alle betingelser i dataene du mater den.
Et annet alternativ er forsterkningsmetoden, som krever menneskelig validering mens den lærer.
Så kommer vi til det ville, ville vesten: uovervåket læring. Uovervåket læring er akkurat som det høres ut. I unsupervised gir du algoritmen dataene og lar systemet finne ut av reglene du gir om hva dataene betyr. Det er derfor
du må ombord, risikovurdere og overvåke ML/AI-applikasjonene dine. Gitt bransjens show-me-imperativ, tror du kanskje at du vet hva ML/AI-applikasjonene dine gjør, men du kan ikke bevise det veldig enkelt.
Ukjente relasjoner: Ikke-åpenbare eller ukjente relasjoner mellom de forskjellige kategoriene dine kan ikke bety noe eller kan være Ah-Ha-øyeblikket for å legitimere eller delegitimere noens oppførsel.
Avslutningsvis tar en Know Your World-tilnærming både et bredere og dypere blikk på kilder til alvorlig risiko i institusjonen din. Og fordi det er atferdsovervåking via data, kan vi overvåke for risiko uten å være for invasive eller urettferdige overfor enkeltpersoner.
Når vi gjør atferdsovervåking, ser vi aldri på emnet. Snarere ser vi etter atferden eller annen atferd som er tydelig i data. Og når vi finner dem, da og først da er atferden knyttet til en enhet av noe slag: en kunde, en leverandør eller en AI/ML
Applikasjon.
- maur økonomisk
- blockchain
- blockchain konferanse fintech
- klokkespill fintech
- coinbase
- coingenius
- kryptokonferanse fintech
- fintech
- fintech-app
- fintech innovasjon
- Fintextra
- OpenSea
- PayPal
- paytech
- utbetalingsvei
- plato
- plato ai
- Platon Data Intelligence
- PlatonData
- platogaming
- razorpay
- Revolut
- Ripple
- firkantet fintech
- stripe
- tencent fintech
- Xero
- zephyrnet