2019 金融業數位轉型趨勢:使用 ML 技術打擊金融詐騙

隨著亞太洗錢防制組織(APG)抵台正式展開評鑑,反洗錢這個議題也再度躍上檯面,成為台灣金融圈熱烈討論的話題。如何善用新型態機器學習技術來防制可疑洗錢交易,也成為金融業引進智能科技的新型態手法。

過去二年來,洗錢防制在金融圈熱度不減,一來因為美國金融服務署 (DFS) 開始針對國內外各知名銀行,針對洗錢防制疏失開罰鉅額罰款,震驚整個台灣社會;二來則是 APG 評鑑結果將關乎台灣金融業的海外市場業務競爭力與國際形象,因此從政府到產業界都非常重視這一次的評鑑。

台灣反洗錢二大挑戰:人力成本、客戶體驗

然而,銀行為因應監管機關法規,從上到下所受衝擊之大,實非外人所能想像。為遵循法規要增列的洗錢調查或身分確認作業流程,不僅造成第一線行員的工作量激增、加以目前許多銀行所採用的反洗錢系統誤判率高,甚至沒有導入系統,也讓監控效率不佳,隨之,經辦人員也因反覆的調查詢問引發顧客負面情緒,直接帶來服務聲譽的影響。

為此, 全球數據分析領導廠商 SAS,台灣業務支援部首席顧問暨國際公認反洗錢師林詩敏直指,為了能夠做到洗錢防制的法規遵循,「人力成本」、「客戶體驗」即是台灣金融業在面對洗錢防制上的兩大挑戰。

林詩敏進一步說明,洗錢防制為高度勞力密集的產業,在沒有系統輔助的情況下,規模較大的銀行每天可能有高達 8,600 件疑似洗錢的案件,平均一件處理 5 分鐘, 共需 716.67 小時。一個行員每天工作 8 小時, 平均需要 89.6 人去做進一步確認,換算下來,每個月要付出新台幣 600 萬元的人力成本。

伴隨人力成本而來的另一個挑戰就是:客戶體驗。前述提及,被系統篩檢出來疑似洗錢的交易,需要銀行致電客戶確認交易細節,以便進一步判斷是否為洗錢交易。即有行員曾在社群網站表示,自家銀行定義的態樣為單日多筆小額轉帳金額,就得去電確認,然而現有許多客戶是職業遊戲玩家,每天靠著販售約單筆 50~100 元虛擬寶物營生,同一日內同一個帳戶就有好幾筆轉帳收入,於是同樣的人名每隔 2 到 3 天就會出現在反洗錢報表上,即便明知不是洗錢交易,也只能按照程序打電話,造成客戶反感。

因此,在顧及人力成本及客戶體驗的情形下,如何遵循法規,降低被鉅額裁罰的風險,是當今金融機構需面對的課題。

「人工智慧與機器學習技術,正可協助台灣金融業克服這兩大挑戰的關鍵。」林詩敏提出觀察。

結合機器學習技術 「快、廣、準」達到反洗錢效益

一般反洗錢系統,只是單純從系統所設定的參數去篩選交易,只要符合參數設定就可能是異常交易,這種非白即黑的作法,沒有考量到交易背後的其他可能因素,難免容易出現誤判。

林詩敏補充,為了解決誤判問題,反洗錢系統要能有人工智慧與機器學習的底層技術,從大量交易資料中偵測真警示與假警示,並歸納出異常資料的特徵值 (pattern),進而判斷該筆交易為洗錢交易的風險值,數值越大,越有可能是洗錢交易,也是銀行要優先確認的對象。

為了讓機器學習,分析資料的面向廣度跟連結度要夠,須結合客戶型態、帳戶型態、帳戶特性、產業別、帳戶餘額、地理資訊(如:避稅天堂)、郵遞區號、交易產品類型(非面對面交易,如:網銀轉帳)等資訊去做判斷,並加入自主學習誤判的變因,才能達到精準。

除了交易監控 AI在洗錢防制上的更多應用

除了上述交易風險之智能警示外,AI 其實還可拓展更多應用:

第一、應用非結構化分析,做出預警偵測

定期分析新聞、社交媒體和網絡的文字資料,可於重大事件發生時,及早防範犯罪嫌疑客戶蓄意脫產;或利用分析進出口提單文件文字,了解商品中是否有軍民兩用品或是高風險貨品,以進一步調查是否涉及貿易融資洗錢。

第二、洗錢網絡圖分析

在偵測異常交易時,還會結合客戶資料與其交易對手和關係人所形成之社群網絡 (Social Network) 做進一步分析。舉例來說,一筆幾千萬的轉帳交易,如果交易對象是大型企業可能沒什麼特別之處,但若是兩三筆千萬帳款的資金流向,層層追溯在幾個企業戶背後卻有共通的個人親友戶,就有可能是異常交易。

第三、自然語言處理自動生成報告

金融機構被要求在發現客戶所進行交易有「可疑」之處時,就要提交可疑交易報告 (Suspicious Activity Report SAR),否則將招致裁罰,因此如能利用 AI 結構化與非結構化技術自動生成初步報告,將可有效提升作業效率。

第四、交易監控閥值校準

應用統計方法,透過客戶分群與交易監控最適閥值分析,以降低警示量。在開始導入洗錢監控態樣前,金融機構需要針對各個洗錢樣態監控條件門檻,進行適當的客群與監控門檻值分析。舉例來說,個人帳戶與法人帳戶的交易行為通常不同,若以相同的監控門檻進行偵測,則容易造成大量的誤判警示,因此應該將具有類似特徵的客戶進行分群後,再定以適當的門檻。這樣的分析過程也呼應了「以風險為基礎」的原則與精神。

除了初始上線的洗錢態樣之外,金融機構也應定期對既有監控態樣之監控門檻值進行校準,瞭解是否有低於門檻值以下的洗錢漏網之魚,或是有調校門檻以降低警示量的機會。

(圖片來源:SAS)

據國外金融業者統計, 導入具有機器學習能力的反洗錢系統,在交易監控的作業成本、人力與時間上,最高可降低 70%~90%警示量 根據 SAS 協助日本三井住友銀行,導入人工智慧反洗錢系統的經驗,林詩敏指出 AI 在監控詐欺上主要帶來的三大效益:「快、廣、準」。AI 能支應高運算量,自動找出風險高的交易,以更低的成本提高偵測效率,達成「快」制惡;在「廣度」部份,正所謂道高一尺魔高一丈,犯罪份子的洗錢方式不斷在改變,而透過 AI 不斷自主學習,還可能發現未知高風險的洗錢行為,有效擴大偵測範圍。最後因為機器智能為整理系統增加「精準度」,降低誤判率,讓企業能真正迎合法遵要求,降低名譽損失。

林詩敏強調,人工智慧提供給企業的視野將愈來愈廣,從拓展業務到詐欺監控,攻防兩方皆可成助力,尤其在反洗錢業務上,更可讓員工專注偵察策略的制定,免於操作性工作帶來的負面情緒,讓企業外部商譽與內部員工生產力都可提升。

(本文開放合作夥伴轉載。)

延伸閱讀

AI 導入起手式!企業該具備的原則與策略是什麼?
【超有才】看數據分析公司 SAS 結合王道銀行,如何從「傳說對決」裡找到新客源


點關鍵字看更多相關文章: