Innovaties in de financiële sector | FinanceInnovation
advert

Witwasnetwerken detecteren met Artificial Intelligence

Artificial Intelligence was een aantal jaren geleden alleen nog maar een buzzword, maar is inmiddels commercieel inzetbaar. Het zorgt in allerlei branches voor positieve resultaten, waaronder de financiële sector. Deze sector staat er bekend om voortdurend te innoveren en nieuwe technologieën te ontwikkelen, om zo bijvoorbeeld meer klanten te trekken en nieuwe omzetstromen te identificeren. Dit gebeurt in alle segmenten, van de kapitaalmarkt tot zakelijk bankieren, consumentenkredieten en verzekeringen.

Het gebruik van AI in de financiële sector zorgt voor snelle veranderingen, zelfs in de nogal conservatieve takken. Tijdens een onderzoek door de Bank of England uit 2019 onder vijfhonderd Britse financiële instellingen gaf twee derde van de respondenten aan dat ze gebruikmaakten van statistiek of een vorm van machine learning. De gemiddelde financiële instelling had al binnen twee takken ML-applicaties echt draaien, vaak in relatie tot risk en fraude.

Sinds enkele jaren benutten ook veel marketingafdelingen de mogelijkheden van machine learning.  De verwachting is dat dit aantal de komende drie jaren ruimschoots verdubbelt. Ook in Nederland hebben banken als ABN AMRO en ING de eerste stappen met machine learning gezet. Financiële instellingen zetten tegenwoordig artificial intelligence in voor zaken als klantenservice, risicobeheer, fraudedetectie en de bestrijding van witwaspraktijken. AI helpt hen daarnaast om overeenstemming met de wet- en regelgeving te waarborgen.

AI heeft in de praktijk bewezen voor betrouwbare en bruikbare resultaten te zorgen, zeker als het aankomt op de detectie van witwaspraktijken. De technologie stelt vooraanstaande financiële dienstverleners in staat om die steeds doeltreffender aan te pakken.

Bestrijding van witwaspraktijken

De definitie van witwassen is ‘het verhullen van de oorsprong van op illegale wijze verkregen geld, meestal door middel van overboekingen via buitenlandse banken of bonafide bedrijven. Reuters meldde in 2017 dat de Europese Unie en de Verenigde Staten sinds 2009 voor in totaal 342 miljard dollar aan boetes aan banken hadden opgelegd, voor financiële delicten zoals inbreuken op de anti-witwaswetgeving. Witwassen vertegenwoordigt een serieuze bedreiging voor de financiële sector. Volgens schattingen van het Bureau voor Drugs- en Misdaadbestrijding (UNODC) van de Verenigde Naties wordt jaarlijks twee biljoen dollar witgewassen via het bancaire systeem.

De boetes voor banken die nalaten om witwassen te voorkomen zijn de afgelopen tien jaar maar liefst vijfhonderd keer hoger geworden, en bedragen nu samen een afschrikwekkende tien miljard dollar per jaar. Als gevolg hiervan hebben banken omvangrijke anti-witwasteams samengesteld. Zij hebben de tijdrovende taak om verdachte transacties uit te lichten en nader te onderzoeken. Die transacties nemen vaak de vorm aan van een groot aantal overboekingen van kleine bedragen binnen een complex netwerk van spelers.

Traditionele benaderingen voor het aanpakken van witwaspraktijken

Onderzoeksteams maken voor het blootleggen van verdachte transacties normaliter gebruik van op regels gebaseerde systemen zoals FICOFiservSAS AML of Actimize. De workflow van deze systemen bestaat uit drie stappen. Ten eerste wordt er een melding gegenereerd door een waarschuwingssysteem. Ten tweede beoordeelt een onderzoeker de melding door die af te zetten tegen informatie uit verschillende bronnen. En ten derde wordt de melding geclassificeerd als een true positive (terechte melding) of false positive (onterechte melding).

Op regels gebaseerde systemen genereren helaas ontzettend veel false positives, tot wel tussen de 75 en 99 procent van alle meldingen. Er wordt dus enorm veel tijd en energie verspild met het handmatig uitfilteren van deze onterechte meldingen. Het aantal false positives is zo hoog omdat criteria snel verouderd raken en het enige tijd vergt om de anti-witwassystemen opnieuw te programmeren.

Hoe AI een oplossing kan bieden voor false positives

De anti-witwasprogramma’s die binnen kapitaalmarkten en door consumentenbanken worden gehanteerd, maken intensief gebruik van op regels gebaseerde systemen voor het monitoren van transacties. Daarbij wordt gelet op diverse financiële drempelwaarden en witwaspatronen. Criminelen zijn echter in staat om met hun methoden na verloop van tijd op deze detectie-instrumenten in te spelen en zo detectie te omzeilen. Op AI gebaseerde gedragsmodellering en klantsegmentatie bieden in dat geval uitkomst door het signaleren van transactiegedrag, andere gedragspatronen en uitschieters die mogelijk gelinkt zijn aan witwaspraktijken.

AI, vooral in de vorm van forecasting-modellen, is bijzonder effectief wat betreft het detecteren van afwijkende patronen in een reeks van complexe transacties. Witwasdetectie met behulp van machine learning-technieken krijgt verdachte transacties en afwijkende transactienetwerken boven water. Deze transacties worden voor nader onderzoek aangemerkt en krijgen een prioriteitsscore van hoog, gemiddeld of laag toegekend, zodat onderzoekers hun taken op prioriteiten kunnen indelen. Als criminelen hun gedrag aanpassen, verandert de AI die aan de anti-witwasapplicaties ten grondslag ligt mee. Op die manier blijft het aantal false positives laag en het percentage true positives hoog.

AI-toepassingen kunnen ook aangeven waarom een transactie voor onderzoek is aangemerkt. Een scorecard vertelt de onderzoekers waar ze moeten zoeken en stroomlijnt zo het onderzoeksproces. AI-toepassingen zijn ook in staat om van de beoordelingen door onderzoekers te leren, meldingen voor onterecht verdachte transacties ongedaan te maken en het interpretatievermogen van hun model te optimaliseren voor het vermijden van patronen die niet naar witgewassen geld leiden.

AI versus op regels gebaseerde systemen

Door AI ondersteunde anti-witwastoepassingen bieden veel voordelen ten opzichte van traditionele, op regels gebaseerde systemen. Ze kunnen het aantal false positives enorm reduceren, onderzoekers een speciaal samengestelde verzameling van relevante meldingen aanreiken en intellectueel eigendom dat speciaal is ontwikkeld voor de bestrijding van witwaspraktijken als input gebruiken. Een AI-toepassing kan op strategische wijze worden ingezet als intermediair tussen het op regels gebaseerde anti-witwassysteem en het team van onderzoekers. Financiële instellingen kunnen op die manier hun investering snel terugverdienen. De gemiddelde onderzoektijd wordt drastisch gereduceerd, van soms wel 45 tot 90 dagen naar slechts enkele seconden. AI vermindert daarnaast menselijke fouten en het aantal uren dat door elke onderzoeker wordt besteed. De technologie kan daarnaast hiaten in de detectieregels dichten, met behulp van innovatieve functionaliteiten.

Witwaspraktijken aanpakken en de productiviteit een boost geven

Witwasnetwerken worden steeds complexer. De financiële sector kan hier met op de juiste manier ingezette artificial intelligence een vuist tegen maken. En daarnaast kan AI financiële dienstverleners helpen met gepersonaliseerde klantervaringen en met het opvoeren van de bedrijfsbrede productiviteit. Een betere tijd om AI te omarmen is er niet!

Over de schrijver

Related Articles