Μια νέα πλατφόρμα Τεχνητής Νοημοσύνης βοηθάει τα τραπεζικά ιδρύματα να εντοπίζουν το μαύρο χρήμα - Πώς «χτυπάει συναγερμός» για τα κρυφά χαρτοφυλάκια των Ρώσων ολιγαρχών
Τράπεζες και χρηματοπιστωτικά ιδρύματα βρίσκονται αντιμέτωπα με κλιμάκωση των περιστατικών απάτης και υποθέσεων ξεπλύματος μαύρου χρήματος, ενώ αυξάνονται οι πιέσεις ώστε να συμβαδίζουν με τους ολοένα και αυστηρότερους κανονισμούς για την καταπολέμηση του οικονομικού εγκλήματος.
Παρά την αύξηση των δαπανών έως και κατά 10% ετησίως σε ορισμένες προηγμένες αγορές μεταξύ 2015 και 2022, ο χρηματοπιστωτικός κλάδος εντοπίζει σήμερα μόνο το 2% περίπου των εκτιμώμενων παγκόσμιων ροών μαύρου χρήματος, σύμφωνα με την Interpol.
Αναλυτές εκτιμούν τώρα ότι η τεχνητή νοημοσύνη (AI) θα μπορούσε να βοηθήσει προς αυτή την κατεύθυνση.
Στη Νορβηγία, η νεοφυής επιχείρηση fintech Strise δημιούργησε μια πλατφόρμα τεχνητής νοημοσύνης που σαρώνει τα δημόσια μητρώα και τις αναφορές των μέσων ενημέρωσης για να επισημάνει πιθανούς κινδύνους ξεπλύματος χρήματος σε πραγματικό χρόνο.
Η πλατφόρμα έχει σχεδιαστεί για να ελέγχει νέες αιτήσεις για άνοιγμα λογαριασμών σε χρηματοπιστωτικά ιδρύματα που υπόκεινται στην ευρωπαϊκή νομοθεσία για την καταπολέμηση της νομιμοποίησης εσόδων από παράνομες δραστηριότητες, όπως τράπεζες, ασφαλιστικές εταιρείες και υπηρεσίες πληρωμών.
Αντικατάσταση μιας χρονοβόρας διαδικασίας
Αν έχετε ανοίξει ποτέ ηλεκτρονικό τραπεζικό λογαριασμό, θα σας έχει ζητηθεί σίγουρα να συμπληρώσετε στοιχεία όπως η διεύθυνση και το επάγγελμά σας και να τα επικαιροποιείτε μία φορά τον χρόνο. Αυτό αποτελεί μέρος της διαδικασίας Know Your Customer (KYC), μιας νομικής απαίτησης που έχει σχεδιαστεί για να επαληθεύει ποιοι είναι οι πελάτες και από πού προέρχονται τα χρήματά τους.
Παραδοσιακά, οι έλεγχοι KYC βασίζονταν σε ομάδες αναλυτών συμμόρφωσης που ψάχνουν σε βάσεις δεδομένων, εταιρικά αρχεία και δημοσιεύματα μέσων ενημέρωσης για να επιβεβαιώσουν την ιδιοκτησία και να εντοπίσουν πιθανούς κινδύνους.
Αυτοί οι έλεγχοι αποσκοπούν στο να εμποδίσουν τους εγκληματίες να χρησιμοποιούν νόμιμες τράπεζες για τη διακίνηση παράνομου χρήματος.
Αλλά οι έλεγχοι κοστίζουν σε χρήμα και χρόνο.
"Τώρα η τεχνητή νοημοσύνη ανακτά πληροφορίες και τις συνδυάζει με έναν εντελώς νέο τρόπο", δήλωσε στο Euronews Next η Marit Rødevand, συνιδρύτρια και διευθύνουσα σύμβουλος της Strise.
"Αν καταφέρετε να εντοπίσετε μια ύποπτη εταιρεία στο ξεκίνημα, μπορείτε να αποτρέψετε το άνοιγμα τραπεζικού λογαριασμού, να την εμποδίσετε να βρει πρόσβαση σε χρηματοοικονομικές λύσεις", πρόσθεσε.
Το σύστημα τεχνητής νοημοσύνης της Strise εντοπίζει αυτόματα προειδοποιητικά σημάδια, όπως συνδέσεις με άτομα στα οποία έχουν επιβληθεί κυρώσεις, οντότητες υψηλού κινδύνου ή πολιτικά πρόσωπα που μπορεί να είναι ευάλωτα στη διαφθορά.
Για παράδειγμα, οι αναλυτές που χρησιμοποιούν το σύστημα μπορούν να εντοπίσουν προειδοποιητικά σημάδια για άτομα που περιλαμβάνονται σε καταλόγους κυρώσεων και πολιτικούς που μπορεί να έχουν "μεγάλη επιρροή" ή να είναι "πιο επιρρεπείς στη διαφθορά" και στο "ξέπλυμα χρήματος", σύμφωνα με τον Robin Lycka, αρχιτέκτονα λύσεων της Strise.
Ρώσοι ολιγάρχες
Η Strise αναφέρει ότι τα χρηματοπιστωτικά ιδρύματα που χρησιμοποιούν την πλατφόρμα της ήταν σε θέση να εντοπίζουν και να απορρίπτουν εταιρείες υψηλού ρίσκου πιο αποτελεσματικά, αυξάνοντας την ικανότητα χειρισμού υποθέσεων έως και δέκα φορές χωρίς να χρειαστεί να προσλάβουν επιπλέον προσωπικό.
Σε μια επίδειξη, η Strise έδειξε ένα χαρτοφυλάκιο εταιρειών όπου «χτύπησε συναγερμό» για πιθανή ιδιοκτησία Ρώσου ολιγάρχη.
"Μόλις έχετε αυτές τις πληροφορίες, μπορείτε να επιλέξετε εάν θέλετε να ολοκληρώσετε την εισαγωγή αναλαμβάνοντας το ρίσκο", δήλωσε η Lycka.
Σε άλλο χαρτοφυλάκιο, το σύστημα επισήμανε μια εταιρεία με έδρα την Εσθονία που συνδέεται με δύο άτομα που είχαν καταδικαστεί για μία από τις μεγαλύτερες απάτες κρυπτονομισμάτων στην ιστορία, ύψους 560 εκατομμυρίων δολαρίων (480 ευρώ).
Η πλατφόρμα μπορεί επίσης να παράγει εκθέσεις των ευρημάτων της, χρησιμοποιώντας "μεγάλα γλωσσικά μοντέλα" (LLM), μια εργασία που προηγουμένως απαιτούσε δεκάδες εργατοώρες συγγραφής από εξειδικευμένο προσωπικό.
"Αυτό που με κάνει αισιόδοξο είναι ότι μπορούμε πραγματικά να κάνουμε τη διαφορά, ξεφεύγοντας από τα παραδοσιακά μοντέλα με τα "κουτάκια ελέγχου" και απελευθερώνοντας πόρους για να βοηθήσουμε πραγματικά να σταματήσει το οικονομικό έγκλημα και να ασχοληθούμε πραγματικά με την πρόληψη της απάτης", δήλωσε ο Rødevand.
"Υπάρχουν τόσες πολλές περιπτώσεις στα μέσα ενημέρωσης και προσωπικές ιστορίες για ζωές που καταστρέφονται από τέτοιου είδους εγκλήματα. Και θέλω πραγματικά να βοηθήσουμε να αλλάξει αυτό", πρόσθεσε.
Η Ευρωπαϊκή Ένωση οριστικοποιεί επί του παρόντος τις διαδικασίες για την ίδρυση μιας αρχής για την καταπολέμηση της νομιμοποίησης εσόδων από παράνομες δραστηριότητες (AMLA) στη Φρανκφούρτη και συντάσσει μια κοινή οδηγία για όλη την ΕΕ που θα τεθεί σε ισχύ το 2027 "για την καταπολέμηση της νομιμοποίησης εσόδων από παράνομες δραστηριότητες και της χρηματοδότησης της τρομοκρατίας".
Ο Stanislaw Tosza, αναπληρωτής καθηγητής Συμμόρφωσης και Επιβολής του Νόμου στο Πανεπιστήμιο του Λουξεμβούργου, δήλωσε στο Euronews Next ότι η μεταρρύθμιση εισάγει έναν "νέο τομέα ευθύνης".
"Το διαρκώς διευρυνόμενο πεδίο εφαρμογής των υποχρεώσεων καταπολέμησης της νομιμοποίησης εσόδων από παράνομες δραστηριότητες (AML), σε συνδυασμό με τον αυξανόμενο κίνδυνο κυρώσεων για μη συμμόρφωση, καθιστά την ΤΝ ένα ελκυστικό εργαλείο για τις οντότητες που επιδιώκουν να διαχειριστούν αυτές τις αυξανόμενες ευθύνες", δήλωσε ο Tosza.
Πρόσθεσε ότι σύμφωνα με τη νομοθεσία της ΕΕ για την προστασία των προσωπικών δεδομένων, απαιτείται ένας ορισμένος βαθμός ανθρώπινης εποπτείας "όταν τα αυτοματοποιημένα συστήματα λαμβάνουν αποφάσεις που επηρεάζουν σημαντικά ζωές ανθρώπων".
Η Strise αναφέρει ότι οι πελάτες της κατάφεραν να μειώσουν τα ψευδώς θετικά αποτελέσματα, δηλαδή όταν ένα σύστημα επισημαίνει κάτι ως ύποπτο παρόλο που είναι απολύτως νόμιμο, κατά "30 έως 40 τοις εκατό με την αυτοματοποιημένη παρακολούθηση των πελατών".
"Αυτό σημαίνει πολύ λιγότερες χαμένες εργατοώρες για τους αναλυτές, οι οποίοι διαφορετικά θα ξόδευαν ώρες εξετάζοντας "ψευδείς" ειδοποιήσεις κινδύνου αντί να εντοπίζουν τον πραγματικό κίνδυνο και να καταπολεμούν το οικονομικό έγκλημα", δήλωσε ο Lars Lunde Birkeland, CMO της Strise, στο Euronews Next σε δήλωσή του.
Ωστόσο, οι ειδικοί προειδοποιούν ότι, ενώ η αυτοματοποίηση μπορεί να μειώσει τον αριθμό των ψευδώς θετικών αποτελεσμάτων, μπορεί επίσης να καταστήσει δυσκολότερο τον εντοπισμό ή την αμφισβήτηση των σφαλμάτων.
"Η ενσωμάτωση της τεχνητής νοημοσύνης σε αυτές τις διαδικασίες λήψης αποφάσεων μειώνει περαιτέρω τη διαφάνεια: μπορεί να γίνει ακόμη πιο δύσκολο για τα θιγόμενα άτομα να κατανοήσουν τη βάση αυτών των αξιολογήσεων ή να τις αμφισβητήσουν αποτελεσματικά", δήλωσε ο Tosza.
Για περισσότερες πληροφορίες σχετικά με αυτή την ιστορία, παρακολουθήστε το βίντεο στο media player παραπάνω.