تشخیص هوشمند پول شویی (AML): از گزارش دستی تا ردیابی شبکه ای تراکنش ها

تشخیص هوشمند پول شویی (AML): از گزارش دستی تا ردیابی شبکه ای تراکنش ها

بانک ها موظف اند جریان های مشکوک به پول شویی را شناسایی و گزارش کنند، اما سامانه های سنتی مبتنی بر قواعد ثابت (Rule-Based) در این کار ناکارآمدند: آستانه های عددی ساده، انبوهی هشدار نادرست (False Positive) تولید می کنند و در عوض، الگوهای پیچیده را از دست می دهند. پول شویان تراکنش ها را به مبالغ کوچک تر از آستانه تقسیم می کنند (ساختاربندی یا Structuring)، پول را از زنجیره ای از حساب های واسط عبور می دهند و رفتار خود را با الگوی مشتری عادی می پوشانند. بررسی دستی این حجم از هشدار، هم کند است و هم پرهزینه؛ و نتیجه، دو خطر هم زمان است: گزارش دهی دیرهنگام به نهاد ناظر و اتلاف وقت کارشناسان بر پرونده های بی مورد.

یادگیری ماشین (Machine Learning) این مسئله را از تطبیق قاعده به شناخت الگو تبدیل می کند. مدل های تشخیص ناهنجاری (Anomaly Detection) رفتار هر مشتری را با سابقه خودش مقایسه می کنند و انحراف معنادار را علامت می زنند؛ تحلیل گراف (Graph Analytics) نیز روابط پنهان میان حساب ها را آشکار می کند — حساب هایی که ظاهرا بی ارتباط اند اما پول در مدت کوتاه میان آن ها می چرخد. ترکیب این دو با امتیازدهی ریسک (Risk Scoring) و یادگیری نظارت شده بر پرونده های تاییدشده قبلی، هشدارها را اولویت بندی می کند تا کارشناس انطباق (Compliance) ابتدا مهم ترین پرونده ها را ببیند. نکته کلیدی این است که تصمیم نهایی با انسان می ماند: مدل، پرونده را مرتب و مستند می کند، اما قضاوت درباره گزارش یا عدم گزارش، بر عهده کارشناس است؛ به ویژه که نهاد ناظر، توضیح پذیری تصمیم را می خواهد، نه فقط دقت عددی مدل.

توصیه عملی، آغاز با یک پایلوت محدود است: یک بخش پرریسک، با سنجش هم زمان نرخ هشدار نادرست، سرعت رسیدگی و کیفیت مستندسازی، پیش از گسترش سراسری. دو محدودیت را نیز باید پذیرفت: نخست، کیفیت داده — اگر اطلاعات هویتی یا سوابق تراکنش ناقص باشد، بهترین مدل هم هشدار بی مورد می سازد؛ دوم، سازگاری طرف مقابل — پول شویان الگوی خود را تغییر می دهند و مدل باید پیوسته بازآموزی شود. بانکی که مبارزه با پول شویی را به چرخه یادگیری مداوم تبدیل کند، انطباق را از تکلیف اداری به مزیت اعتماد تبدیل می کند: مشتری سالم، خدمت سریع تر می گیرد و مسیر پول کثیف، تنگ تر می شود.

کلیدواژه ها: مبارزه با پول شویی، یادگیری ماشین، تحلیل گراف، بانکداری، انطباق مقرراتی

هانی سعادتی اصل | پژوهشگر و متخصص هوش مصنوعی، مدیریت کسب وکار و سیستم های بانکی