2 Articolo Blog (Falsi Positivi2)
Come ridurre i falsi positivi nel settore AML/CFT attraverso l’AI

Pubblicato il:

Condividi l'articolo

Share on facebook
Share on linkedin
Share on whatsapp

Nel settore AML/CFT, la conformità alle leggi implica una decisa mitigazione del rischio, attraverso un approccio volto ad una disamina, monitoraggio e se necessario ad una segnalazione delle attività sospette. Tuttavia, data l’enorme mole di transazioni da analizzare e il repentino cambio dei requisiti normativi, è sempre più difficile, nel processo attuale, essere efficienti ed efficaci.

Cosa sono i falsi positivi

Banche ed Istituti finanziari dovrebbero garantire efficaci misure di monitoraggio e screening, ma spesso questi sono intaccati da numerosi casi di falsi positivi. Un falso positivo si verifica nel momento in cui viene attivato un alert AML, che però si rivela errato. Accade nel caso di alcuni comportamenti dei clienti ritenuti sospetti, ma in realtà innocenti: ad esempio, un cliente che nello stesso giorno effettua diversi prelievi da più filiali bancarie. Inoltre, le misure di screening potrebbero collegare clienti dai nomi simili anche se essi non sono collegati, con il rischio di segnalare un cliente innocente.

In questi casi, addirittura, gli avvisi potrebbero spingere gli operatori a congelare i conti dei clienti coinvolti. Questo non solo provoca dei disagi e delle esperienze negative con i clienti ma rappresenta anche un danno economico e uno spreco di tempo e risorse degli Istituti finanziari.

 

Le difficoltà del processo attuale

Banche ed Istituti finanziari si ritrovano dunque ad affrontare una significativa quantità di alert AML che si rivelano falsi positivi: questi costituiscono una massiccia percentuale degli allarmi generati dalle misure di monitoraggio e screening. Tuttavia, ridurre le attività di monitoraggio e renderle meno sensibili potrebbe nuocere all’intera organizzazione, per via di potenziali sanzioni finanziarie, reputazionali e in alcuni casi penali.

È una situazione spigolosa: troppo zelo rischia di danneggiare le relazioni con i clienti, ma troppa poca attenzione potrebbe far scaturire delle conseguenze importanti.
Queste difficoltà sono alla base di quanto emerso in un sondaggio condotto da Ovum[1], che ha intervistato oltre 100 banche del Regno Unito riguardo ai loro piani per far avvicinare la compliance al crimine finanziario e alle frodi.
In particolare:

  • L’83% degli intervistati afferma che una delle principali preoccupazioni aziendali è relativo ai potenziali danni reputazionali dovuti ad un fallimento nell’affrontare la criminalità finanziaria.
  • Il 67% afferma che un significativo punto dolente è rappresentato dall’elevata mole di lavoro relativa ad un atteggiamento fin troppo difensivo delle Segnalazioni di Operazioni Sospette.

C’è dunque bisogno di un adeguato equilibrio che permetta a Banche ed Istituti finanziari di migliorare i processi.

 

Come ridurre i falsi positivi con gli aw di AIO

Per AIO, la risoluzione del problema si basa su una maggiore precisione analitica. Per questo motivo l’Intelligenza Artificiale può ricoprire un ruolo determinante[2]: Banche e Istituti finanziari potrebbero disporre di un’accuratezza e un’efficienza maggiore grazie a dati più precisi e sicuri, riducendo drasticamente il numero di falsi positivi.

In particolare, con gli aw di AIO è possibile:

  1. Valutare una transazione nel contesto del cliente e di clienti simili: l’aw-atm, grazie alla propria componente data driven, è nativamente abilitato per la clusterizzazione del soggetto in valutazione, secondo gli schemi comportamentali rilevati dallo streaming dei dati transazionali e da altre tipologie di dati relative a quest’ultimo. Tale clusterizzazione è dinamica (cioè si aggiorna continuamente alla ricezione di nuovi dati). Inoltre, l’ aw-atm osserva e rende osservabile per l’operatore umano il comportamento rilevato:
    • Paragonando i comportamenti del soggetto in verifica, rilevati dai nuovi dati, con quelli “storici” del medesimo
    • Paragonando i comportamenti del soggetto rispetto a quelli degli appartenenti allo stesso cluster
    • Monitorando eventuali pattern generati nel tempo dal soggetto in verifica
    • Rilevando comportamenti anomali che portano un soggetto ad isolarsi
  2. Reagire ed adattarsi ai modelli in evoluzione utilizzati dai riciclatori di denaro o dai terroristi, con un intervento umano minimo: l’aw-atm è nativamente abilitato per Auto-detection e auto-apprendimento di nuovi schemi di riciclaggio. L’utente umano deve solo confermare o meno la segnalazione dell’aw-atm che imparerà per il futuro da tale feedback.
  3. Comprendere il motivo per cui una transazione viene identificata come potenzialmente sospetta: l’aw-atm grazie alla sinergia dei moduli rule based e data driven, è in grado di segnalare con estrema precisione la/e transazioni sospette indicando anche:
    • Lo/gli schema/i di comportamento anomalo/i rilevato/i (modulo rule based) con indicazione delle transazioni coinvolte;
    • Gli indicatori che hanno fatto scattare l’alert rispetto al modello comportamentale del soggetto monitorato.

Dunque, AIO riduce drasticamente il problema relativo ai falsi positivi attraverso i propri aw.

In questo processo, l’aw-atm è determinante perché i risultati dei moduli rule based e data driven sono complementari tra loro, generando un output multidimensionale per ogni soggetto monitorato. Forniscono un’informazione a 360° rispetto al contesto di osservazione, offrendo così la possibilità di avere un “processo a doppia conferma” con un’informazione completa e contestualizzata (oltre che alla normativa) anche rispetto alla tipologia di soggetto in analisi e al proprio comportamento rispetto a quello degli altri clienti. Inoltre, l’algoritmo di machine learning (ML) affina costantemente la capacità di intercettare anomalie e quindi prevenire i reati di riciclaggio e finanziamento al terrorismo.

L’aw-ra è invece determinante perché ha la capacità di individuare puntualmente il soggetto effettivamente sottoposto alla procedura di indagine reputazionale, escludendo casi di omonimia e/o altre casistiche che comportino una errata identificazione.

Per riuscire in questo compito, l’aw-ra è stato dotato di algoritmi che, partendo dai dati forniti, sono autonomamente in grado di ricercare informazioni in merito al soggetto in verifica e di interpretare le informazioni derivanti da tali ricerche (anche incrociando i dati presenti nelle varie fonti, sia interne che esterne) per individuarlo con esattezza, scartando i nominativi non pertinenti. I livelli di precisione raggiunti sono molto elevati e l’aw-ra fornisce un indice di affidabilità di facile interpretazione (per gli operatori umani) per ogni ricerca effettuata.

In questo nuovo scenario, il lavoro degli esperti si indirizza verso mansioni più qualitative, rendendoli di fatto dei supervisori. Gli aw rendono possibile ed effettiva la collaborazione tra uomo e macchina: attraverso uno screening e una raccolta di dati olistica, gli operatori possono sviluppare giudizi più efficienti e completi.

 

Scopri i nostri Artificial Workers

 


Fonti:
[1] “Adopting an Integrated Approach to Fraud and AML Compliance”, Ovum, 04-05/2019
[2] “Come l’Intelligenza Artificiale può migliorare il settore AML/CFT”, AIO, 18/03/2020

Condividi l'articolo:

Share on facebook
Share on linkedin
Share on whatsapp
Articoli che potrebbero interessarti​

Vuoi restare aggiornato sull’ambito AML/CFT?

Follow us:

Company

© 2021 AIO S.r.l. – All Rights Reserved