Учитывая рост вычислительной мощности и доступности данных, нас часто убеждают в том, что банковская отрасль будет разрушена. Финтех-компании появляются слева и справа, пытаясь решить множество вопросов и проблем. Одним из них является соблюдение нормативных требований по борьбе с отмыванием денег (AML) и «Знай своего клиента» (KYC). Но, несмотря на технические приемы и новые методологии (или старые, такие как нейронные сети и глубокое обучение с новыми данными), это не сработает.

Почему? Давайте посмотрим на существующую практику науки о данных и на то, почему искусственный интеллект возродился с 1950-х годов. Распространение машинного обучения и искусственного интеллекта как отдельных областей, несмотря на то, что они являются просто прикладной статистикой и информатикой, связано с неожиданным увеличением доступности данных. Даже Фрэнк Розенблатт, который ввел термин« персептрон и построил первый набор моделей нейронных сетей в 1958 году, считал, что это обречено на провал из-за недостатков линейных моделей, которые, в свою очередь, были вызваны в первую очередь ограничениями данных». (Обычно, когда данных недостаточно, мы обычно должны использовать более экономную модель, приближение первого порядка, если хотите.)

Почему AI / ML?

Рост больших данных и вычислительной мощности - вот что действительно стимулировало успех того, что мы теперь называем моделями глубокого обучения. Эти новые модели сами по себе являются усовершенствованными версиями базовой нейронной сети и следуют той же структуре, но, возможно, с другими процедурами оптимизации. Создатели современного искусственного интеллекта не предвидели, что у них будут миллиарды наблюдений, по которым можно обучить модель с десятками миллионов параметров, порядка величины, при которой модель глубокого обучения начинает хорошо работать.

Итак, давайте посмотрим на банки. Получили ли они неожиданную выгоду от непредвиденного сбора данных в связи с улучшением своих моделей? Возможно, они получили больше информации о пользователях на основе их метаданных или использования телефона. Но даже до этого у них был гораздо лучший конвейер данных: транзакции самого конкретного человека! Обнаружение аномалий на основе серии транзакций всегда было областью судебно-медицинской экспертизы. Тем не менее, банки часто ловятся на отмывании денег и управлении деньгами сомнительных персонажей, связанных с терроризмом и преступностью.

По сути, крупные банки не смогли использовать этот существующий обширный набор данных для улучшения процесса AML / KYC.

Причина этой неудачи только одна: процесс AML / KYC - это не наука о данных. Это вопрос стимулов. По сути, проблема тривиальна. Но банки зарабатывают слишком много денег, нарушая эти процессы.

Хорошо известный случай, когда HSBC выплатил 1,9 млрд долларов США за отмывание 881 млн долларов США в пользу известных мексиканских наркопреступников. Еще до этого дела прокуратура США и Великобритании знала об отмывании денег HSBC для клиентов из Саудовской Аравии и Бангладеш, связанных с террористической деятельностью. Несмотря на то, что их соответствующие федеральные правительства занесли этих клиентов в черный список, банк просто обошел систему пометки, заменив пробелы в именах клиентов точками! Несомненно, любой ученый-компьютерщик, стоящий копейки, включил бы проверки условий в строку, нормализуя их так, чтобы строки были сопоставимы и устойчивы к небольшим перестановкам имен. Например, есть алгоритм Левенштейна (основанный на значениях алгоритм, устойчивый к замене числа словом), алгоритм Soundex (разработанный, чтобы быть устойчивым к фонетическим различиям) или алгоритм Яро-Винклера (разработанный, чтобы быть устойчивым к опечаткам, на основе дистанция редактирования среди других бесчисленных новых разработок.

Даже без точного совпадения алгоритм должен выдавать более полезные флаги (например, красный - для наиболее подозрительных, оранжевый - для слегка подозрительных и зеленый - для отсутствия подозрений). Алгоритм должен был использовать комбинацию имени клиента, названия банка-получателя и адреса получателя, чтобы поднять эти флаги.

Но, несмотря на это, «никто» это не уловил (или некоторые люди сделали это, и их впоследствии заставили замолчать). Это кажется… почти преднамеренным (действительно, прокуратура смогла доказать суду вне всяких разумных сомнений, что это так).

Учитывая, сколько денег они зарабатывают на клиентах с сомнительной историей, неясно, хотят ли они улучшить свой AML / KY. Приведенный выше случай HSBC не единичен. У многих крупных банков и раньше были подобные проблемы. В качестве одного примера, основанного на расследовании Агентства по борьбе с наркотиками и правоохранительных органов в 2005 году, Wachovia якобы способствовала транзакциям на сумму более 420 миллиардов долларов США без известного поддающегося проверке мексиканского источника, по крайней мере, 110 миллионов долларов США, которые были напрямую связаны с прибылями от наркотиков. Он выплатил штраф в размере 160 миллионов долларов США.

До тех пор, пока крупные банки и «бугорки» не решат проблему отмывания денег и борьбы с отмыванием денег, особого прогресса не будет.

Так где же мы с обещаниями AI / ML для AML / KYC? Конечно, у юристов и административного персонала, которые взимают почасовую оплату, нет стимула ускорять процесс. В море постоянно растущего роста и усложнения нормативно-правовой базы главные победители - это юристы. Он основан на силе воли тех, кто отвечает за соблюдение требований, и крупные банки не проявят эту силу воли.

Тонкие обещания

Внедрение технологий - это игра на равновесие. Это простое теоретико-игровое упражнение, показывающее, что, насколько это возможно, доминирующая стратегия крупных банков не заключается во внедрении современного программного обеспечения для повышения качества практик AML / KYC. Почему? Предположим, они развернули его и обнаружили, что несколько их клиентов не прошли процесс KYC. Если банки-конкуренты не внедряют его, клиент покидает банк и сбегает в банки-конкуренты.

С другой стороны, если его внедряют банки-конкуренты, то клиент убегает от конкурентов и приходит в банк. В обоих сценариях крупный банк не захочет применять интенсивный AI / ML для AML / KYC. В этом случае малые банки не имеют отношения к делу, поскольку они изначально не имеют возможности обслуживать таких сложных клиентов.

Название игры для обещания AI / ML - более низкие затраты на соблюдение требований. Он может преобразовать процесс комплексной проверки AML / KYC с 5 часов на секунды.

Хотя крупные банки могут не захотеть внедрять такие строгие процессы AML / KYC, использование машинного обучения может помочь более мелким игрокам в сфере инвестиционного консультирования, снижая затраты на привлечение клиентов. Эти более мелкие игроки не могут конкурировать с крупными банками, и рынок управления капиталом может оставаться фрагментированным между клиентами с доходом выше среднего и сверхвысоким собственным капиталом. Однако при большой марже потенциальные инвесторы, у которых возникли проблемы с доступом на рынок, могут получить выгоду от более низкой стоимости входа.

В течение всего этого процесса крупные банки, скорее всего, не будут реагировать, кроме принятия косметических процедур, чтобы заявить, что они находятся на переднем крае. Итак, ожидайте гораздо больше маркетинговых материалов по передовым наукам о данных, но не ожидайте фактического использования. Единственный серьезный потенциальный сбой в этом случае - это если банки почувствуют давление конкуренции (либо со стороны регулирующих органов, либо между собой), чтобы проникнуть дальше в пул инвесторов, и в этом случае AI / ML может быть развернут для более мелких инвесторов с большой маржой. Но не следует ожидать, что в ближайшее время прекратится теневая активность крупных банков в отношении сложных клиентов.