Les banques et les fraudeurs se livrent à un jeu incessant de félin et de souris. D’un côté, les escrocs déplacent de l’argent pour éliminer les traces de criminalité. D’autre part, les banques surveillent les activités suspectes suggérant une fraude monétaire.
« Les criminels injectent de l’argent dans le système financier en plusieurs couches pour masquer sa source initiale, jusqu’à un point où cet argent est nettoyé et peut être utilisé et intégré dans le système monétaire pour tout type d’achat ou d’investissement financier », déclare Livia Benisty, principale dirigeante de l’entreprise et ancienne responsable mondiale de la lutte contre le blanchiment d’argent chez Banking Circle, une banque de paiement pionnière dans l’utilisation de l’IA dans AML.
La réglementation en matière de blanchiment d’argent nécessite que les banques et les services monétaires montrent des méthodes pour identifier ce comportement.
Les enjeux sont importants pour les entreprises financières. Le défaut de maintenir des contrôles anti-blanchiment d’argent (AML) adéquats peut entraîner des amendes de plusieurs millions de livres.
Pour une petite banque privée – avec, disons, 150 clients effectuant un certain nombre de transactions par semaine – un expert pourrait en théorie parcourir les transactions manuellement sur une feuille de calcul et signaler les comportements suspects.
Les grandes sociétés financières traitant des centaines de milliers, voire des millions, de transactions chaque jour, identifiant les activités suspectes à l’aide de reviendrait à identifier une aiguille dans une botte de foin.
C’est pourquoi les systèmes experts (IA) sont de plus en plus adoptés par les banques et les sociétés financières pour surveiller et éviter les escroqueries à grande échelle. Banking Circle a développé un service hybride qui combine le meilleur de l’IA, de la connaissance automatique (ML) et de la méthode traditionnelle basée sur des règles pour toutes les transactions que Banking Circle traite au nom des clients.
De l’automatisation de base à l’IA dans AML
L’IA dans AML trouve ses racines dans les systèmes de base basés sur des règles. Les banques établiraient une directive de réparation automatisée qui pourrait indiquer un comportement suspect, comme une limite pour une taille de paiement.
« Les banques auraient une règle différente pour un individu que pour une entreprise comme Coca-Cola, ce qui est vital car la plupart des gens et des entreprises ont des schémas de coûts et des volumes très différents », décrit Benisty.
Depuis des décennies, les banques utilisent des innovations fondamentales basées sur des règles pour signaler les activités monétaires suspectes. Avec le temps, ces directives sont en fait devenues plus complexes, permettant une technique plus ciblée d’AML.
« Vous sépareriez votre clientèle en différents types de règles », explique Benisty. « Et ces règles peuvent être des choses comme la quantité investie au cours d’une période proposée ou le nombre de transactions au cours d’une période proposée. Il peut même s’agir des types d’organisations, d’entreprises ou d’individus avec lesquels les banques prévoient que les clients s’engagent. »
Même les règles statiques les plus sophistiquées ont en fait des défauts, caractérisés par des spécifications étroites et réparées qui obligeaient les consommateurs à informer leur banque de tout voyage à l’étranger pour éviter que leur compte ne soit bloqué.
« Et c’était totalement dénué de sens, car cela obstruait toujours votre carte et vous auriez encore besoin de passer du temps et de l’argent à appeler le service client à 4 heures du matin, heure de Londres, car vous étiez bloqué », explique Benisty. « C’est donc ce qui se passe lorsque les directives fixes tournent mal, lorsqu’elles sont trop binaires. »
Soulignant davantage les problèmes liés aux systèmes AML standard d’aujourd’hui, un rapport évalue le taux de faux positifs à 95 %. C’est à ce moment qu’une transaction légitime est signalée comme potentiellement suspecte, alors qu’elle est en fait propre, ce qui met en évidence les insuffisances du marché.
IA plus avancée
Les systèmes AML les plus avancés qui sont considérablement en cours d’adoption par les sociétés financières s’appuient fortement sur l’IA et l’intelligence artificielle pour détecter des modèles complexes.
Au lieu d’une limite de transaction statique, une conception d’IA peut examiner les modèles de coûts d’un client sur une durée mobile à travers plusieurs variables à la en même temps.
« Plutôt que de simplement regarder une mesure qui suggère un risque dans vos défenses, un système AML basé sur l’IA a la capacité de détecter d’autres attributs d’un paiement, ce qui pourrait indiquer une probabilité plus élevée de suspicion activité », décrit Benisty. « C’est le niveau suivant – où vous ne vous contentez pas de déterminer par rapport à une métrique, mais une série d’indicateurs, qui, avec une pondération particulière, seraient les plus susceptibles de constituer un comportement suspect. »
Livia Benisty, directrice générale et ancien responsable mondial de la lutte contre le blanchiment d’argent chez Banking Circle.
La série de signes indiquant une activité suspecte ne serait pas particulièrement précisée par l’expert dès le départ ; le système aurait la capacité de déterminer les valeurs aberrantes ou les activités qui ressemblent davantage aux alertes qui ont précédemment créé des escalades ou des dépôts d’activités suspectes.
Benisty déclare que l’IA a une « meilleure compréhension des données » à découvrir des modèles qu’un humain serait incapable de repérer, en raison du volume et de la complexité des transactions. Sans IA ni apprentissage automatique, les banques sont « assez dépendantes » de directives fixes.
Bien qu’il y ait beaucoup de buzz autour de l’IA, Benisty a une vision plus fondée de ses avantages et de ses limites.
« Ce que l’IA peut faire, c’est commencer à rechercher les divers attributs de ces paiements qui vont au niveau supérieur et qui s’intensifient – et pour cette raison, les plus susceptibles d’indiquer un comportement suspect », déclare-t-elle.
L’IA dans l’adoption de l’AML
La majorité des grandes banques utilisent déjà des outils d’IA AML pour classer les informations sur les transactions par risque, puis effacer automatiquement les éléments répertoriés en dessous d’un certain niveau de risque.
Malgré les avantages de l’IA dans la lutte contre le blanchiment d’argent, il existe des difficultés à adopter les outils les plus avancés, de la compréhension des processus d’approvisionnement à la mise en œuvre de l’option.
Une difficulté commune, dit Benisty, est de s’inquiéter de la façon dont les régulateurs réagiront si une entreprise adopte des options d’IA, par crainte de ne pas être en mesure de décrire comment l’IA arrive à ses choix.
« Je crois qu’il y a un peu de réticence là-dedans. Je crois qu’il y a une croyance que puisque l’IA est tellement en vogue, elle ressemble à un service panacée pour quoi que ce soit ».
Néanmoins, les entreprises n’ont pas besoin de plonger dans les profondeurs – elles peuvent commencer par l’IA standard et présenter plus de lignes directrices au fil du temps. Et pour les banques, il y a une chance d’accueillir l’IA dans AML dans le cadre d’une tâche d’amélioration numérique existante.
De plus, les régulateurs sont de mieux en mieux informés sur les systèmes d’IA dans la regtech, qui Benisty prévoit d’augmenter l’adoption.
Sans surprise, les entreprises de technologie financière plus récentes sont bien mieux placées pour accueillir les outils AI AML, car elles ne sont pas embourbées par les mêmes piles technologiques héritées.
« C’est beaucoup plus simple que d’entrer dans une organisation vieille de 200 ans qui s’est construite en grande partie grâce à des fusions et acquisitions. Ce n’est même pas que leurs informations soient déplaisantes : ce sont les 5 autres entreprises qu’ils ont obtenues qui ont des données déplaisantes, souvent dans plusieurs zones géographiques et dans divers formats de données tels que des documents papier », explique Benisty.
Cela est dans les plus grandes banques qui ont des volumes de transactions nettement plus élevés où l’IA a le plus de valeur.
« Ce que nous avons réellement vu au cours de l’année dernière, à travers différentes formes d’analyse de données, consistant à utiliser notre propres directives de l’IA, c’est que nous avons en fait doublé la variété des paiements et maintenu la variété des signaux à un niveau statique », déclare Benisty. « Donc, effectivement, le taux de réussite s’est en fait amélioré. »
Prédire les comportements frauduleux avec l’IA ?
Alors que les banques adoptent progressivement l’IA pour suivre et prévenir la fraude financière, quelle est la prochaine étape pour l’innovation ?
Pour Benisty, cela se dirige vers des modèles prédictifs, où les modèles d’activité révéler de nouvelles façons dont les criminels pourraient participer à des activités trompeuses.
Cela pourrait permettre aux banques d’avancer d’une action dans l’éternel jeu vidéo du chat et de la souris.
« Grâce à l’IA, nous détectons la typologie ; les modèles sont donc une analyse comportementale », déclare Benisty. « Sur la base de ces modèles, nous faisons des choix notifiés pour capturer l’activité criminelle. Nous avons en fait prouvé qu’il s’agit d’une technique efficace, mais dès que vous avez découvert un modèle, les contrevenants ont en fait procédé ; vous pouvez toujours être un certain nombre de Il est plutôt inversé. De préférence, nous voulons arriver à un point où il peut trouver un nouveau modèle en temps réel, ce qui est vraiment intéressant. »
Les systèmes actuels sont toujours principalement tributaire de ce que les criminels ont fait dans le passé, de plus, la révélation de nouvelles techniques criminelles dépend toujours principalement du fait que les criminels se trompent. Benisty donne l’exemple de trafiquants de drogue capturés après qu’un membre d’un gang ait envoyé une photo de son chien via une application de messagerie. Les autorités se sont concentrées sur l’étiquette du chien, qui a révélé le numéro de téléphone du membre du gang.
Les malfaiteurs pourront-ils changer de technique et empêcher les futurs modèles d’IA prédictifs ? Benisty pense qu’ils le feront.
« Je ne vois pas cela s’arrêter. Je crois que les contrevenants trouveront toujours une méthode. Sans oublier qu’il y aura toujours de l’argent », déclare-t-elle.
« Cependant, je pense que la clé ici est de découvrir plus rapidement de nouveaux modèles de comportement, de mieux reconnaître où se trouve la menace réelle, et non où se trouve la menace perçue. Et en attendant, cela a à voir avec le nettoyage le son pour que les entreprises financières ne paient pas autant d’experts pour s’asseoir et éliminer les grèves de niveau un dont elles sont fatiguées à mort. »
En collaboration rémunérée avec Banking Circle, la banque de paiements axée sur la technologie.
.
Toute l’actualité en temps réel, est sur L’Entrepreneur
