Коррупция и мошенничество были на повестке дня с момента зарождения государственности, и с развитием рынков проникли в бизнес. И штаты, и компании годами борются с финансовыми преступлениями и коррупцией: например, Соединенные Штаты активно применяют Закон о борьбе с коррупцией за рубежом (FCPA) и вводят серьезные санкции в отношении корпораций и частных лиц. Другие страны также принимают новые законы о борьбе со взяточничеством, такие как Sapin II во Франции, или усиливают исполнение существующих законов. В сегодняшнем глобализированном мире прокуроры и регулирующие органы более тесно сотрудничают через границы для обмена информацией. В этой среде вполне вероятно, что компании, столкнувшейся с проблемой взяточничества / коррупции, будут проводиться расследования в нескольких юрисдикциях. Чтобы обуздать взяточничество и коррупцию и сохранить соответствие требованиям, компании ищут новые технологические решения для управления тем, что часто считалось проблемой управления служащими.

Однако традиционные решения по-прежнему неэффективны в:

  • Выявление хищений в бухгалтерском учете;
  • Сопоставление квитанций, счетов-фактур, расходов на оплату с базами данных о поездках и самооценками, и, что наиболее заметно,
  • Обработка естественного языка или неструктурированных наборов данных, таких как электронные письма или текстовые сообщения.

Следующим шагом в защите от финансовых преступлений будет использование достижений в области искусственного интеллекта (ИИ) и аналитики данных в надежде, что анализ данных с помощью технологий может обеспечить тщательность и надежный контроль качества, необходимые для предоставления правительствам и предприятиям выводов, которым можно доверять. .

Как ИИ помогает

Теперь, когда мы живем с огромным объемом данных, считается, что соответствующая аналитика данных в сочетании с методами искусственного интеллекта может быстро анализировать данные из нескольких источников и выявлять аномальную активность, связанную с третьими сторонами, сотрудниками и клиентами.

В частности, искусственный интеллект может:

  • сортировать текстовые сообщения, аудиофайлы, электронные письма и другие неструктурированные данные в управляемые группы, используя структурированные и неструктурированные данные;
  • распознавать закономерности частоты или времени, а также обнаруживать аномальные действия;
  • прогнозировать будущие риски и подозрительную деятельность.

Некоторые из методов искусственного интеллекта, используемых для выявления рисков финансовых преступлений, включают расширенное разрешение и проверку сущностей, анализ конечного бенефициарного владельца, глубокую веб-аналитику, NLP (обработка естественного языка) веб-скрапинг, сетевой анализ, а также анализ объемов и значений.

Проблема с данными

Данные хранятся в структурированном и неструктурированном форматах. Структурированные данные по существу хранятся в системе бухгалтерского учета или планирования ресурсов предприятия (ERP), такой как SAP или Oracle, для записи всех выполненных транзакций. Юридические группы могут работать с аудиторской фирмой, чтобы определить набор аналитических тестов данных, которые можно запустить для выявления основных критериев мошенничества или коррупции.

К неструктурированным данным относятся текстовые сообщения, электронные письма, приложения для обмена сообщениями (например, Viber и WhatsApp) и другие типы зашифрованной связи точка-точка, и они по сути отражают то, как люди используют системы связи. Неструктурированные данные практически бесполезны для любого вида анализа без предварительной обработки и подгонки к определенным категориям. Такая обработка неструктурированных данных - одна из ключевых задач обработки естественного языка.

Кроме того, анализ NLP может выявить ряд ключевых слов в электронных письмах и текстах сотрудников, которые указывают на гарантии и подозрительные иностранные платежи. В качестве первого шага эксперты в предметной области определяют концепции мошенничества. Понятие мошенничества может быть лицом, характеристикой, объектом или событием, которое представляет собой подозрительный сценарий и представлено словами, фразами, объектами и т. Д. Наличие этих слов / фраз в документе подразумевает наличие понятия мошенничества. в этой сделке. Конечным результатом этого упражнения будет словарь мошенничества, который является хранилищем концепций и подозрительных ключевых слов. После этого фразы и ключевые слова в транзакции семантически сопоставляются с фразами или ключевыми словами в словаре мошенничества для выявления концепций мошенничества, присутствующих в тексте.

Обнаружение аномалий

Обнаружение подозрительной активности против обычных транзакций - конечная цель всех решений на основе ИИ, направленных на решение проблемы мошенничества и коррупции. Проще говоря, работая с бухгалтерскими книгами, отчетами о поездках и расходах, квитанциями и счетами, электронной почтой, телефонными звонками и текстовыми сообщениями, ИИ помогает обнаруживать шаблоны, слишком сложные для человека. Инструмент наблюдения на основе машинного обучения получает историческую информацию и учится распознавать приемлемые и подходящие модели транзакций, а затем имеет возможность идентифицировать транзакции, которые не соответствуют этому шаблону, выходят за рамки обычного потока бизнеса и могут быть аномальными, например как несвоевременные или дублирующие платежи, фальсифицированные счета и другие подозрительные транзакции.

Интеграция с предиктивной аналитикой

Другой подход к обнаружению подозрительных транзакций предполагает интеграцию с предиктивной аналитикой. Алгоритмы прогнозирования могут использоваться для анализа исторических данных и автоматического создания правил прогнозирования в дополнение к тем, которые были созданы вручную.

Одним из недавних примеров использования прогнозной аналитики для борьбы с коррупцией является система раннего предупреждения на основе нейросетевого подхода, разработанная командой Высшей школы экономики и Университета Вальядолида. Решение основывалось на самоорганизующихся картах (SOM), разновидности искусственной нейронной сети, которая имитирует функции мозга. Команда изучила данные о реальных случаях коррупции в Испании, используя нейронную сеть, чтобы посмотреть на вероятность коррупционных дел в различных временных сценариях, показывая, что экономические факторы, в частности налогообложение недвижимости, экономический рост, повышение цен на жилье и Растущее число депозитных организаций и нефинансовых фирм может спровоцировать коррупцию в обществе.

Все эти методы помогают сделать расследования более эффективными и экономичными. Одним из ключевых факторов более широкого использования решений на основе искусственного интеллекта для борьбы с мошенничеством и коррупцией является то, что клиенты все больше привыкают к данным, методам анализа данных и искусственному интеллекту в целом. Однако важно помнить, что каждая ситуация является динамичной и повторяющейся. Рекомендуется использовать разные методы для перекрестных ссылок. Это поможет исследовать большие объемы данных с более высокой и более эффективной скоростью.