Norvégiában a Strise nevű fintech start-up cég olyan mesterséges intelligencia platformot épített, amely a nyilvános nyilvántartásokat és a médiajelentéseket vizsgálja, hogy valós időben jelezze a potenciális pénzmosási kockázatokat.
A bankok és a pénzintézetek a csalások és a pénzmosás növekvő áradatával szembesülnek, és egyre nagyobb nyomás nehezedik rájuk, hogy lépést tartsanak a szigorodó pénzügyi szabályozásokkal.
Annak ellenére, hogy egyes fejlett piacokon 2015 és 2022 között évente akár 10 százalékkal is nőnek a kiadások, a pénzügyi ágazat az Interpol szerint a globális pénzügyi bűncselekményeknek csupán mintegy 2 százalékát fedezi fel.
Egyesek úgy vélik, hogy a mesterséges intelligencia (AI) segíthet a terhek enyhítésében.
Norvégiában a Strise nevű fintech start-up cég olyan mesterséges intelligencia platformot épített, amely a nyilvános nyilvántartásokat és a médiajelentéseket vizsgálja, hogy valós időben jelezze a potenciális pénzmosási kockázatokat.
A mesterséges intelligencia-ügynököt arra tervezték, hogy az európai pénzmosás elleni jogszabályok hatálya alá tartozó pénzügyi intézményeknél - például bankoknál, biztosítótársaságoknál és pénzforgalmi szolgáltatásoknál - történő új számlanyitási kérelmeket ellenőrizze.
Idő- és munkaigényes folyamat kiváltása
Ha valaha is nyitott már online bankszámlát, akkor bizonyára megkérték, hogy töltse ki az olyan adatait, mint a címe és a foglalkozása, és évente egyszer frissítse azokat. Ez része az ügyfél megismerése (Know Your Customer, KYC) folyamatnak, amely egy jogi követelmény, amelynek célja annak ellenőrzése, hogy kik az ügyfelek, és honnan származik a pénzük.
Hagyományosan a KYC-ellenőrzések a megfelelési elemzők csapataira támaszkodtak, akik adatbázisokat, vállalati bejelentéseket és híradásokat szűrtek át a tulajdonjog megerősítése, a kapcsolatok nyomon követése és a potenciális kockázatok kiszűrése érdekében.
Ezeknek az ellenőrzéseknek az a célja, hogy megakadályozzák, hogy a bűnözők törvényes bankokat használjanak piszkos pénzek mozgatására.
De lassúak és drágák.
"Most már van olyan mesterséges intelligencia, amely teljesen új módon keres információt és rakja össze" - mondta Marit Rødevand, a Strise társalapítója és vezérigazgatója az Euronews Nextnek.
"Ha már a beszálláskor felismerünk egy kétes céget, akkor megakadályozhatjuk, hogy bankszámlát kapjanak, hogy pénzügyi megoldásokhoz kerüljenek" - tette hozzá.
A Strise mesterséges intelligencia rendszere automatikusan azonosítja az olyan figyelmeztető jeleket, mint például a szankcionált személyekhez, a magas kockázatú joghatóságokhoz (autoriter államokhoz) vagy a korrupciónak kitett, politikai kapcsolatokkal rendelkező személyekhez fűződő kapcsolatok.
Robin Lycka, a Strise megoldás-architektje szerint a rendszert használó elemzők például figyelmeztető jeleket láthatnak a szankciós listákon szereplő személyekről és politikusokról, akik "nagy befolyással bírnak" vagy "fogékonyabbak a korrupcióra" és a "pénzmosásra".
Orosz oligarchák
A Strise szerint a platformját használó pénzintézetek hatékonyabban tudták azonosítani és visszautasítani a magas kockázatú vállalatokat, és ezzel akár tízszeresére is növelhették az ügykezelési kapacitásukat anélkül, hogy további munkatársakat kellett volna felvenniük.
Egy bemutató során a Strise egy olyan vállalati portfóliót mutatott be, ahol figyelmeztető jelek villantak fel egy lehetséges orosz oligarcha tulajdonlásáról.
"Ha már megvan ez az információ, akkor portfóliószinten eldöntheti, hogy a kiszámított kockázati besorolással kívánja-e befejezni az onboardingot vagy sem" - mondta Lycka.
Egy másik portfólió esetében a rendszer egy észt székhelyű vállalatot jelölt meg, amely két olyan személlyel áll kapcsolatban, akiket a történelem egyik legnagyobb, 560 millió dollár (480 euró) értékű kriptopénzcsalásáért ítéltek el.
A platform a megállapításairól jelentéseket és összefoglalókat is képes készíteni, nagyméretű nyelvi modellek (LLM) segítségével kockázati narratívákat állíthat össze a szabályozói bejelentésekhez, ami korábban órákig tartó kézi írást igényelt.
"Ami reményt kelt bennem, az az, hogy valóban hatást tudunk gyakorolni, és a puszta jelölőnégyzet-megfelelőségtől elmozdulva valóban felszabadítunk erőforrásokat, hogy valóban segítsünk megállítani a pénzügyi bűnözést, és valóban a csalás megelőzésébe fogjunk" - mondta Rødevand.
"A médiában és a személyes történetekben rengeteg olyan esetet olvashatunk, amelyekben az ilyen típusú bűncselekmények életeket tesznek tönkre. És én tényleg szeretném, ha segítenénk változtatni ezen" - tette hozzá.
Az Európai Unió jelenleg egy átfogó pénzmosás elleni hatóság létrehozását véglegesíti Frankfurtban, valamint egy 2027-ben hatályba lépő uniós szintű irányelvet, amely "a pénzmosás és a terrorizmus finanszírozása elleni küzdelmet" szolgálja.
Stanislaw Tosza, a Luxemburgi Egyetem Compliance and Law Enforcement docense az Euronews Nextnek elmondta, hogy a reform egy "új felelősségi területet" hoz magával.
"A pénzmosás elleni (AML) kötelezettségek egyre szélesedő köre, valamint a meg nem felelés miatti szankciók növekvő kockázata vonzó eszközzé teszi a mesterséges intelligenciát azon kötelezett szervezetek számára, amelyek igyekeznek kezelni ezeket a növekvő felelősségeket" - mondta Tosza.
Hozzátette, hogy az uniós adatvédelmi jogszabályok értelmében bizonyos fokú emberi felügyeletre van szükség, "amikor az automatizált rendszerek olyan döntéseket hoznak, amelyek jelentős mértékben érintik az embereket".
A Strise szerint ügyfelei "30-40 százalékkal tudták csökkenteni a hamis pozitív jelenségeket", vagyis amikor egy rendszer gyanúsnak jelöl meg valamit, holott az teljesen legitim, az automatizált ügyfélmegfigyeléssel.
"Ez sokkal kevesebb kézi munkát jelent az elemzők számára, akik egyébként órákat töltenének a felesleges kockázati figyelmeztetések felülvizsgálatával ahelyett, hogy a valódi kockázatot észlelnék és a pénzügyi bűnözés ellen harcolnának" - mondta Lars Lunde Birkeland, a Strise CMO-ja az Euronews Nextnek adott nyilatkozatában.
A szakértők azonban arra figyelmeztetnek, hogy bár az automatizálás csökkentheti a téves pozitív jelzések számát, ugyanakkor a hibák felderítése vagy vitatása is nehezebbé válhat.
"A mesterséges intelligencia beépítése ezekbe a döntéshozatali folyamatokba tovább csökkenti az átláthatóságot: az érintettek számára még nehezebbé válhat az ilyen értékelések alapjának megértése vagy hatékony megtámadása" - mondta Tosza.