OPINIÃO

Machine Learning e o combate à lavagem de dinheiro

Por Scott Zoldi*
14/02/2019 ... Convergência Digital

Operações de combate à lavagem de dinheiro (Anti-Money Laundering - AML) trabalham duro para estar em conformidade com regras, políticas e regulamentos. Mas apesar de todo esse esforço, a lavagem de dinheiro está fora de controle em todo o mundo: a quantidade anual de dinheiro lavado é estimada entre 2 e 5% do Produto Interno Bruto (PIB) global. Alarmes falsos e processos ineficientes são algumas das razões pelas quais grande parte da lavagem de dinheiro corre solta.

O aprendizado de máquina (Machine Learning) no combate à lavagem de dinheiro está melhorando drasticamente a eficácia das operações de conformidade. Recentemente, falei sobre o tema na Associação de Especialistas Certificados em Antilavagem de Dinheiro (ACAMS), em sua 18ª Conferência Anual de Crimes Financeiros e AML em Las Vegas. Com a energia de Vegas proporcionando um cenário apropriado, falamos sobre:

Como o Machine Learning é diferente da Inteligência Artificial (IA) - O aprendizado de máquina não executa tarefas cognitivas programadas por humanos. Em vez disso, os algoritmos de Machine Learning aprendem novas relações a partir de dados. A descoberta de padrões ocultos no movimento do dinheiro torna o aprendizado de máquina um aprimoramento muito atraente para as operações de combate à lavagem de dinheiro.

Usar Machine Learning para priorizar alertas e encontrar mais lavagem de dinheiro - Na minha apresentação, fiz referência a um artigo de 2017 da McKinsey sobre o tema da aplicação de novas tecnologias no combate à lavagem de dinheiro. Com 99% dos alertas se revelando alarmes falsos, a McKinsey observou que as técnicas de aprendizado de máquina reduzem esses falsos positivos de 20 a 30%. Por sua vez, a carga de trabalho dos investigadores pode ser reduzida em 50%.

O gráfico abaixo ilustra como as organizações geralmente usam scores de Machine Learning. Ao escolher um limite de pontuação, o time de combate à lavagem pode entender a quantidade de dinheiro detectada e, consequentemente, controlar a taxa de alarmes falsos. O profissional, portanto, escolhe um ou mais limites que acionam analistas para trabalhar nesses casos. As transações também podem ser automáticas.


Fonte: blog da FICO

Melhorar o conhecimento dos usuários usando análise comportamental em tempo real - O Machine Learning pode melhorar em até 3x o relatório de atividade de alarme suspeito (, por meio de uma segmentação mais rígida, de acordo com a McKinsey. Exemplos de segmentação mais refinada incluem aprendizagem de usuários com relações financeiras fora dos EUA, seja uma pessoa com alto patrimônio líquido ou um pequeno empreendedor. Dessa forma, o Machine Learning desafia o status quo dos processos de conhecimento dos usuários usando análises comportamentais em tempo real, baseadas em transações financeiras.

O aprendizado de máquina pode até levar a regras melhores, conforme ilustrado na figura abaixo. Por exemplo, o modelo de Machine Learning pode descobrir usuários em jogos de azar online de baixo custo, que fazem isso como uma forma de transferir fundos para o exterior. Sabendo como os algoritmos de aprendizado de máquina detectam novos padrões invisíveis de atividade ilícita, melhores leis, regras e insights podem ser obtidos.


Fonte: blog da FICO

Como podemos explicar os modelos de Machine Learning - Além do uso do aprendizado de máquina, é importante também explicar esses modelos a pesquisadores, reguladores e equipes internas de governança. O exemplo abaixo mostra como múltiplas variáveis que compõem o modelo (V1-V6 à extrema esquerda) se alimentam em algoritmos de Machine Learning, cujos resultados são processados por um Relatório de Razão e Ranking de Algoritmo. As razões são classificadas em termos de importância e relevância para explicar como o modelo chegou à pontuação.

Este algoritmo tem sido usado na Plataforma FICO® Falcon® por anos, e mostra a probabilidade do valor de uma variável (e consequentemente o código de razão) contribuir para a pontuação observada. Isso é baseado na totalidade dos dados usados para construir o modelo de Machine Learning e é probabilístico. Ao classificar os principais códigos de razão, os analistas e  reguladores entenderão como a pontuação foi obtida, o que pode ajudar nas investigações e na criação de narrativas dos relatórios.

Em resumo, o uso do Machine Learning pode ajudar a superar os principais desafios de conformidade, como falsos positivos, para obter novos insights e entender o comportamento dos usuários, fornecendo uma lógica de decisão clara e explicável. Claramente, a tecnologia de aprendizado de máquina adiciona um impulso "super-humano" à eficácia dos esforços de combate à lavagem de dinheiro.

(*) Dr. Scott Zoldi é diretor de análise da FICO, uma empresa global de software analítico. Ele é autor de 45 patentes analíticas e tem outras 50 pendentes. Scott escreve para o blog  www.fico.com/blog e está no Twitter como @ScottZoldi.


Carreira
Oito em cada 10 líderes de TI assumem dependência dos dados

Estudo feito pela IBM mostra que 19% do total de entrevistados na América Latina esperam um alto ROI de investimentos em tecnologias estabelecidas como cloud, IoT, mobile, e 11% esperam um ROI de tecnologia emergente como blockchain ou 5G.



  • Copyright © 2005-2019 Convergência Digital
  • Todos os direitos reservados
  • É proibida a reprodução total ou
    parcial do conteúdo deste site
    sem a autorização dos editores
  • Publique!
  • Convergência Digital
  • Cobertura em vídeo do Convergência Digital
  • Carreira
  • Cloud Computing
  • Internet Móvel 3G 4G