Know Your World – Sluter cirkeln av due diligence (Frank Cummings)

Finansiella institutioner över hela världen har förbättrat Customer Due Diligence/Känn din kund-procedurer till en ren konst. I vissa fall samlar institutioner in över 600 individuella informationsfält, och vissa använder uppåt 14 datagränssnitt för att stödja
en blandning av interna system och externa dataleverantörer. Det börjar närma sig den punkt där vi vet mer om våra kunder, deras närstående och deras ägare än vi vet om oss själva. Men som ordspråket säger, "Ingen god gärning blir ostraffad" och CDD/KYC
slutar inte med datainsamling om bara kunder.

Allt detta arbete med due diligence – frågeinsamlingen, datagränssnitten och pingtjänsterna, analysen av utökade relationer, flaggningen och uppföljningen – behöver troligen upprepas för att minska risken mer fullständigt och mer realistiskt. jag tänker på
detta bredare tillvägagångssätt som "Know Your World" eller KYW.

I KYW har du flera stora kategorier i behov av Due Diligence:

1. Kunder
2. Alla närstående till kunder
3. Leverantörer
4. Partners
5. chefer
6. AI/ML-applikationer
7. Alla kända samband mellan andra kategorier än kategori 2 till kategori 1

All due diligence du gör med alla kategorier har ett syfte: att identifiera och minska risken för ekonomiska brott.

Låt oss prata lite om de ytterligare kategorierna i en KYW-strategi:

Säljare: Det finns ingen skillnad i nivån på due diligence du skulle göra på en leverantör än vad du gör för en kund. Förstå och minska de otaliga riskerna som leverantörer utgör.

Anställda och chefer: Det här är den som de flesta i finansinstitutioner har problem med: "Varför skulle vi vilja göra det här? Dessa är anställda och chefer för institutionen.” Due diligence du gör på anställda och chefer är olika, men
det är bara due diligence att fastställa vad de anställdas eller chefernas förväntade beteende är. Senare – i likhet med hur du övervakar din kunddata när du letar efter oväntat beteende – skulle du göra samma sak med anställda och chefer. Du övervakar
uppgifterna – inte kunden eller medarbetaren. Först när en flagga för angående beteende utlöses skulle rätt personer veta om det för att kunna följa upp.

AI-applikationer: Det här är kategorin som först får människor att göra en dubbeltagning – tills de stannar upp och tänker på det. I en bransch som följer "Visa mig"-modellen i bokstavligen varje process och procedur vi gör, verkar AI vara ett undantag – ett problem
undantag.

 Låt oss börja med att rama in vad vi pratar om när vi säger AI-applikationer. De artificiella intelligenssystemen du regelbundet ser på tv-dramer är bara fiktiva fordon för underhållning; den sanna tänkande maskinen är fortfarande långt borta. 

Det vi ofta kallar AI tenderar verkligen att vara ML, eller maskininlärning. Och även om det inte är oberoende intelligent, kan det lära sig. Det är där problemet ligger i en show-me-industri. 

Det finns tre metoder som en datoralgoritm kan lära sig från och med nu: övervakad inlärning, förstärkning och oövervakad. Den övervakade metoden verkar vara den mest transparenta eftersom du ser data som användes för att träna systemet. Denna metod är begränsad
i reglerna kan du tillämpa, och du måste skapa alla villkor i den data du matar den. 

Ett andra alternativ är förstärkningsmetoden, som kräver mänsklig validering när den lär sig. 

Sedan kommer vi till det vilda, vilda västern: oövervakat lärande. Oövervakat lärande är precis som det låter. I oövervakad ger du algoritmen data och låter systemet ta reda på vad data betyder genom reglerna du anger. Det här är varför
du skulle behöva ombord, riskklassificera och övervaka dina ML/AI-applikationer. Med tanke på branschens show-me-imperativ kanske du tror att du vet vad dina ML/AI-applikationer gör, men du kan inte bevisa det så lätt. 

Okända relationer: Icke-uppenbara eller okända relationer mellan dina olika kategorier kan inte betyda någonting eller kan vara Ah-Ha-ögonblicket för att legitimera eller delegitimera någons beteende.

Sammanfattningsvis tar en Know Your World-strategi både en bredare och djupare titt på källor till allvarliga risker i din institution. Och eftersom det är beteendeövervakning via data kan vi övervaka risker utan att vara alltför invasiva eller orättvisa mot individer.
När vi gör beteendeövervakning tittar vi aldrig på ämnet. Snarare letar vi efter beteendet eller olika beteenden som syns i data. Och när vi hittar dem, då och först då är beteendet kopplat till en enhet av något slag: en kund, en leverantör eller en AI/ML
Ansökan.