Conheça seu mundo – Fechando o círculo de due diligence (Frank Cummings)

As instituições financeiras em todo o mundo aprimoraram os procedimentos de Due Diligence/Know Your Customer ao ponto de pura arte. Em alguns casos, as instituições coletam mais de 600 campos individuais de informações e algumas usam mais de 14 interfaces de dados para dar suporte
uma mistura de sistemas internos e provedores de dados externos. Está chegando ao ponto em que sabemos mais sobre nossos clientes, suas partes relacionadas e seus proprietários do que sabemos sobre nós mesmos. Mas como diz o ditado, “Nenhuma boa ação fica impune”, e CDD/KYC
não termina com a coleta de dados apenas sobre os clientes.

Todo esse trabalho de due diligence – a coleta de perguntas, as interfaces de dados e serviços de ping, a análise de relacionamentos estendidos, a sinalização e o acompanhamento – provavelmente precisam ser repetidos para mitigar o Risco de forma mais completa e realista. eu penso em
essa abordagem mais ampla como “Know Your World”, ou KYW.

No KYW, você tem várias categorias principais que precisam de Due Diligence:

1. Clientes
2. Todas as partes relacionadas dos clientes
3. Vendedores
4. Colaboradores
5. Gerentes
6. Aplicativos de IA/ML
7. Todas as relações conhecidas entre categorias diferentes da categoria 2 para a categoria 1

Toda a diligência que você faz com todas as categorias tem um propósito: identificar e mitigar o risco de crimes financeiros.

Vamos conversar um pouco sobre as categorias adicionais em uma abordagem KYW:

Fornecedores: Não há diferença no nível de due diligence que você faria em um fornecedor do que em um cliente. Entenda e mitigue os inúmeros riscos apresentados pelos fornecedores.

Funcionários e gerentes: Este é o problema com o qual a maioria das pessoas em instituições financeiras tem problemas: “Por que queremos fazer isso? São funcionários e gestores da instituição.” A devida diligência que você faz em funcionários e gerentes é diferente, mas
é apenas a devida diligência para estabelecer qual é o comportamento esperado dos funcionários ou gerentes. Mais tarde - semelhante a como você monitora os dados de seus clientes ao procurar um comportamento inesperado - você faria o mesmo com funcionários e gerentes. Você está monitorando
os dados – não o cliente ou o funcionário. Somente quando um sinalizador de comportamento preocupante é acionado, as pessoas certas saberão sobre isso para acompanhar.

Aplicações de IA: Esta é a categoria que a princípio faz com que as pessoas duvidem – até que parem e pensem sobre isso. Em uma indústria que segue o modelo “Mostre-me” em literalmente todos os processos e procedimentos que fazemos, a IA parece ser uma exceção – um problema
exceção.

 Vamos começar por enquadrar o que estamos falando quando dizemos AI Applications. Os sistemas de Inteligência Artificial que você vê regularmente em dramas de TV são apenas veículos fictícios para entretenimento; a verdadeira máquina pensante ainda está longe. 

O que costumamos chamar de IA tende a ser ML, ou aprendizado de máquina. E embora não seja independentemente inteligente, pode aprender. É aí que reside o problema em uma indústria show-me. 

Existem três métodos que um algoritmo de computador pode aprender a partir de agora: aprendizado supervisionado, reforço e não supervisionado. O método supervisionado parece ser o mais transparente porque você vê os dados que foram usados ​​para treinar o sistema. Este método é limitado
nas regras que você pode aplicar, e você deve criar todas as condições nos dados que você alimentar. 

Uma segunda opção é o método de reforço, que requer validação humana à medida que aprende. 

Então chegamos ao oeste selvagem: aprendizado não supervisionado. O aprendizado não supervisionado é exatamente como parece. Em não supervisionado, você fornece os dados ao algoritmo e deixa o sistema descobrir pelas regras que você fornece sobre o que os dados significam. Isso é por que
você precisaria integrar, avaliar o risco e monitorar seus aplicativos de ML/IA. Dado o imperativo do setor mostre-me, você pode pensar que sabe o que seus aplicativos de ML/IA estão fazendo, mas não pode provar isso com muita facilidade. 

Relacionamentos desconhecidos: relacionamentos não óbvios ou desconhecidos entre suas diferentes categorias podem não significar nada ou podem ser o momento Ah-Ha para legitimar ou deslegitimar o comportamento de alguém.

Em conclusão, uma abordagem Conheça o seu mundo tem uma visão mais ampla e profunda das fontes de risco sério em sua instituição. E porque é o monitoramento do comportamento por meio de dados, podemos monitorar o Risco sem ser excessivamente invasivo ou injusto com os indivíduos.
Quando fazemos monitoramento comportamental, nunca olhamos para o assunto. Em vez disso, procuramos o comportamento ou comportamentos diferentes evidentes nos dados. E quando os encontramos, então e só então o comportamento está vinculado a uma entidade de algum tipo: um cliente, um fornecedor ou um AI/ML
Aplicação.