สถาบันการเงินทั่วโลกได้ปรับปรุงกระบวนการตรวจสอบสถานะลูกค้า/รู้จักลูกค้าของคุณจนถึงจุดที่บริสุทธิ์ ในบางกรณี สถาบันเก็บรวบรวมข้อมูลมากกว่า 600 ฟิลด์ และบางแห่งใช้อินเทอร์เฟซข้อมูลมากกว่า 14 อินเทอร์เฟซเพื่อสนับสนุน
การผสมผสานระหว่างระบบภายในและผู้ให้บริการข้อมูลภายนอก เรามาถึงจุดที่เรารู้จักลูกค้า ผู้เกี่ยวข้อง และเจ้าของมากกว่าที่เรารู้เกี่ยวกับตัวเราเสียอีก แต่ก็เหมือนกับคำกล่าวที่ว่า “ไม่มีการกระทำใดที่ไม่ได้รับโทษ” และ CDD/KYC
ไม่ได้จบลงเพียงแค่การเก็บข้อมูลลูกค้าเท่านั้น
การทำงานทั้งหมดนั้นต้องอาศัยการตรวจสอบวิเคราะห์สถานะ เช่น การรวบรวมคำถาม อินเทอร์เฟซข้อมูล และบริการ ping การวิเคราะห์ความสัมพันธ์ที่ขยายออกไป การแฟล็กและการติดตามผล จำเป็นต้องทำซ้ำเพื่อลดความเสี่ยงอย่างเต็มที่และสมจริงยิ่งขึ้น ฉันนึกถึง
วิธีการที่กว้างขึ้นนี้เรียกว่า “Know Your World” หรือ KYW
ใน KYW คุณมีหมวดหมู่หลักหลายหมวดหมู่ที่ต้องการ Due Diligence:
- ลูกค้า
- ทุกฝ่ายที่เกี่ยวข้องของลูกค้า
- ผู้ขาย
- พนักงาน
- ผู้จัดการ
- แอปพลิเคชัน AI/ML
- ความสัมพันธ์ที่ทราบทั้งหมดระหว่างประเภทอื่นที่ไม่ใช่ประเภท 2 กับประเภท 1
การตรวจสอบวิเคราะห์สถานะทั้งหมดที่คุณทำกับหมวดหมู่ทั้งหมดนั้นมีวัตถุประสงค์เดียว: เพื่อระบุและลดความเสี่ยงของอาชญากรรมทางการเงิน
มาคุยกันเล็กน้อยเกี่ยวกับหมวดหมู่เพิ่มเติมในแนวทาง KYW:
ผู้ขาย: ไม่มีความแตกต่างในระดับของการตรวจสอบสถานะที่คุณทำกับผู้ขายมากกว่าที่คุณทำกับลูกค้า ทำความเข้าใจและลดความเสี่ยงมากมายที่เกิดจากผู้ขาย
พนักงานและผู้จัดการ: นี่คือปัญหาที่คนส่วนใหญ่ในสถาบันการเงิน: “ทำไมเราถึงต้องการทำเช่นนี้? เหล่านี้คือพนักงานและผู้จัดการของสถาบัน” การตรวจสอบสถานะที่คุณทำกับพนักงานและผู้จัดการนั้นแตกต่างกัน แต่
เป็นเพียงการตรวจสอบสถานะเพื่อสร้างพฤติกรรมที่คาดหวังของพนักงานหรือผู้จัดการ ในภายหลัง—คล้ายกับวิธีที่คุณตรวจสอบข้อมูลลูกค้าของคุณเมื่อมองหาพฤติกรรมที่ไม่คาดคิด—คุณก็ทำเช่นเดียวกันกับพนักงานและผู้จัดการ คุณกำลังตรวจสอบ
ข้อมูลไม่ใช่ลูกค้าหรือพนักงาน เฉพาะเมื่อมีการทริกเกอร์แฟล็กพฤติกรรมที่เกี่ยวข้องเท่านั้น คนที่เหมาะสมจะทราบเกี่ยวกับสิ่งนี้เพื่อติดตามผล
แอปพลิเคชั่น AI: นี่คือหมวดหมู่ที่ทำให้ผู้คนทำสองเท่าในตอนแรก - จนกว่าพวกเขาจะหยุดและคิดเกี่ยวกับมัน ในอุตสาหกรรมที่ดำเนินตามโมเดล “แสดงให้ฉันเห็น” ในทุกขั้นตอนและขั้นตอนที่เราทำอย่างแท้จริง ดูเหมือนว่า AI จะเป็นข้อยกเว้น—เป็นปัญหา
ข้อยกเว้น
เริ่มต้นด้วยการตีกรอบสิ่งที่เรากำลังพูดถึงเมื่อเราพูดถึง AI Applications ระบบปัญญาประดิษฐ์ที่คุณเห็นเป็นประจำในละครโทรทัศน์นั้นเป็นเพียงเครื่องมือสมมติเพื่อความบันเทิง เครื่องคิดที่แท้จริงยังห่างไกล
สิ่งที่เรามักเรียกว่า AI มักจะเป็น ML หรือการเรียนรู้ของเครื่องอย่างแท้จริง แม้ว่ามันจะไม่ได้ฉลาดอย่างอิสระ แต่ก็สามารถเรียนรู้ได้ นั่นคือปัญหาที่เกิดขึ้นในอุตสาหกรรมการแสดง
มีสามวิธีที่อัลกอริทึมของคอมพิวเตอร์สามารถเรียนรู้ได้ตั้งแต่ตอนนี้: การเรียนรู้แบบมีผู้สอน การเสริมแรง และแบบไม่มีผู้ดูแล วิธีการดูแลดูเหมือนจะโปร่งใสที่สุดเพราะคุณเห็นข้อมูลที่ใช้ในการฝึกอบรมระบบ วิธีนี้มีข้อจำกัด
ในกฎที่คุณนำไปใช้ได้ และคุณต้องสร้างเงื่อนไขทั้งหมดในข้อมูลที่คุณป้อน
ตัวเลือกที่สองคือวิธีการเสริมแรง ซึ่งต้องมีการตรวจสอบโดยมนุษย์เมื่อเรียนรู้
จากนั้นเราก็มาถึงป่าตะวันตกที่ดุร้าย: การเรียนรู้แบบไม่มีผู้ดูแล การเรียนรู้แบบไม่มีผู้ดูแลก็เหมือนกับที่ฟัง ในแบบที่ไม่มีการควบคุม คุณจะให้ข้อมูลแก่อัลกอริทึมและปล่อยให้ระบบคิดออกตามกฎที่คุณให้ไว้เกี่ยวกับความหมายของข้อมูล นี่คือเหตุผล
คุณจะต้องเริ่มต้นใช้งาน อัตราความเสี่ยง และตรวจสอบแอปพลิเคชัน ML/AI ของคุณ เมื่อพิจารณาถึงความจำเป็นของอุตสาหกรรม คุณอาจคิดว่าคุณรู้ว่าแอปพลิเคชัน ML/AI ของคุณกำลังทำอะไรอยู่ แต่คุณไม่สามารถพิสูจน์ได้ง่ายๆ
ความสัมพันธ์ที่ไม่รู้จัก: ความสัมพันธ์ที่ไม่ชัดเจนหรือไม่รู้จักในหมวดหมู่ต่างๆ ของคุณอาจไม่มีความหมายใดๆ หรืออาจเป็นช่วงเวลา Ah-Ha ที่จะทำให้ความชอบธรรมหรือลดความชอบธรรมของพฤติกรรมของใครบางคน
โดยสรุป แนวทาง Know Your World ใช้ทั้งการมองที่กว้างขึ้นและลึกขึ้นถึงแหล่งที่มาของความเสี่ยงร้ายแรงในสถาบันของคุณ และเนื่องจากเป็นการตรวจสอบพฤติกรรมผ่านข้อมูล เราจึงสามารถตรวจสอบความเสี่ยงได้โดยไม่รุกรานมากเกินไปหรือไม่ยุติธรรมต่อบุคคล
เมื่อเราทำการตรวจสอบพฤติกรรม เราไม่เคยดูที่ตัวแบบ แต่เรามองหาพฤติกรรมหรือลักษณะการทำงานต่างๆ ที่ปรากฏในข้อมูล และเมื่อเราพบสิ่งเหล่านี้ พฤติกรรมนั้นเชื่อมโยงกับเอนทิตีบางประเภท: ลูกค้า ผู้ขาย หรือ AI/ML
ใบสมัคร
