Пізнай свій світ – замикаємо коло належної обачності (Френк Каммінгс)

Фінансові установи в усьому світі вдосконалили процедури належної перевірки клієнтів/Знай свого клієнта до рівня чистого мистецтва. У деяких випадках установи збирають понад 600 окремих полів інформації, а деякі використовують понад 14 інтерфейсів даних для підтримки
поєднання внутрішніх систем і зовнішніх постачальників даних. Доходить до того, що ми знаємо про наших клієнтів, їхніх пов’язаних сторін і власників більше, ніж про себе. Але, як говориться, «жодна добра справа не залишається безкарною» та CDD/KYC
не закінчується збором даних лише про клієнтів.

Усю цю роботу належної обачності — збір запитань, інтерфейси даних і служби ping, аналіз розширених зв’язків, позначення та подальші дії — ймовірно, потрібно буде повторити, щоб зменшити ризик більш повно та реалістичніше. Я думаю про
цей ширший підхід, як «Знай свій світ» або KYW.

У KYW у вас є кілька основних категорій, які потребують Due Diligence:

1. Клієнти
2. Усі пов’язані сторони клієнтів
3. вендори
4. Співробітники
5. Менеджери
6. Програми AI/ML
7. Усі відомі зв’язки між категоріями, крім категорії 2, і категорією 1

Уся належна перевірка, яку ви проводите з усіма категоріями, спрямована на одну мету: виявити та зменшити ризики фінансових злочинів.

Давайте трохи поговоримо про додаткові категорії підходу KYW:

Постачальники. Рівень належної перевірки постачальника не відрізняється від рівня належної перевірки клієнта. Зрозумійте та зменшіть численні ризики, створені постачальниками.

Співробітники та керівники: це проблема, з якою більшість людей у ​​фінансових установах має проблеми: «Навіщо нам це робити? Це працівники та керівники закладу». Ви проводите належну перевірку співробітників і керівників по-різному, але
це просто належна обачність, щоб встановити, якою є очікувана поведінка працівників або керівників. Пізніше — подібно до того, як ви відстежуєте дані своїх клієнтів у пошуках неочікуваної поведінки — ви робите те саме зі співробітниками та менеджерами. Ви моніторите
дані, а не клієнта чи працівника. Лише тоді, коли спрацьовує прапор поведінки, що викликає занепокоєння, потрібні люди дізнаються про це, щоб вжити подальших заходів.

Програми штучного інтелекту: це категорія, яка спочатку спонукає людей робити подвійне враження, доки вони не зупиняються і не думають про це. У галузі, яка дотримується моделі «Покажи мені» буквально в кожному процесі та процедурі, яку ми виконуємо, ШІ, здається, є винятком — проблемою
виняток.

 Давайте почнемо з формулювання того, про що ми говоримо, коли ми говоримо про програми ШІ. Системи штучного інтелекту, які ви регулярно бачите в телесеріалах, — це лише вигадані засоби розваги; до справжньої мислячої машини ще далеко. 

Те, що ми часто називаємо штучним інтелектом, насправді є машинним навчанням. І хоча він не є самостійно розумним, він може навчатися. Ось у чому полягає проблема в індустрії «покажи мені». 

Існує три методи, за допомогою яких комп’ютерний алгоритм може навчатися: контрольоване навчання, підкріплення та неконтрольоване. Контрольований метод здається найбільш прозорим, оскільки ви бачите дані, які використовувалися для навчання системи. Цей спосіб обмежений
у правилах, які ви можете застосувати, і ви повинні створити всі умови в даних, які ви подаєте. 

Другим варіантом є метод підкріплення, який потребує перевірки людиною під час навчання. 

Потім ми приходимо на дикий, дикий захід: навчання без нагляду. Навчання без нагляду – це саме те, що звучить. У режимі без нагляду ви надаєте алгоритму дані, а система визначає значення даних за наданими вами правилами. Ось чому
вам потрібно буде зареєструватися, оцінити рівень ризику та контролювати свої програми ML/AI. Ви можете думати, що знаєте, що роблять ваші програми ML/AI, але ви не можете це легко довести, враховуючи галузевий імператив «покажи мені». 

Невідомі зв’язки: неочевидні чи невідомі зв’язки між вашими різними категоріями можуть нічого не означати або можуть стати моментом для легітимізації чи делегітимізації чиєїсь поведінки.

На завершення підхід «Знай свій світ» передбачає ширший і глибший погляд на джерела серйозного ризику у вашій установі. А оскільки це моніторинг поведінки за допомогою даних, ми можемо відстежувати ризики, не надто агресивно чи несправедливо до людей.
Коли ми проводимо моніторинг поведінки, ми ніколи не дивимося на об’єкт. Натомість ми шукаємо поведінку або різні види поведінки, очевидні в даних. І коли ми їх знаходимо, тоді і тільки тоді поведінка пов’язана з певною сутністю: клієнтом, постачальником або ШІ/ML
Застосування