Badanie SAS: banki coraz częściej wykorzystują SI/AI przeciw praniu pieniędzy

W sektorze finansowym 1/3 organizacji  potwierdziło, że pandemia COVID-19 miała wpływ na przyspieszenie wdrożenia sztucznej inteligencji (AI) i uczenia maszynowego (ML) na potrzeby przeciwdziałania praniu pieniędzy (AML). Jednocześnie 39 proc. specjalistów ds. zgodności przyznaje, że projekty z tego zakresu, mimo zakłóceń spowodowanych pandemią, nie uległy spowolnieniu.

Raport „Acceleration Through Adversity: The State of AI and Machine Learning Adoption in Anti-Money Laundering Compliance prezentuje wyniki badania przeprowadzonego wśród 850 członków Association of Certified Anti-Money Laundering Specialists (ACAMS), największej międzynarodowej organizacji zajmującej się rozwojem kompetencji specjalistów z zakresu wykrywania i zapobiegania przestępstwom finansowym. ACAMS przeprowadziło wśród nich ankietę na temat wykorzystania technologii w ich organizacjach do wykrywania przypadków prania pieniędzy. Szacuje się, że proceder ten stanowi 2-5 proc. globalnego produktu krajowego brutto, czyli od 800 miliardów do 2 bilionów USD rocznie. Wnioski z badania i poszczególne wartości procentowe zaprezentowano na portalu.

Rola sztucznej inteligencji w zwalczaniu prania pieniędzy staje się kluczowa. Ponad połowa respondentów (57 proc.) już wdrożyła AI/ML w procesy AML, pilotuje rozwiązania z tego zakresu lub planuje wdrożyć je w najbliższych 12-18 miesiącach.

Global-AML-Research

Highlights from the global AML technology study by SAS, KPMG and ACAMS.

Podmioty regulacyjne na całym świecie coraz częściej oceniają działania instytucji finansowych w obszarze compliance na podstawie wiarygodności informacji przekazywanych organom ścigania. Nie dziwi zatem fakt, że 66 proc. respondentów uważa, że organizacje sprawujące nadzór oczekują od nich wykorzystania sztucznej inteligencji i uczenia maszynowego – mówi Kieran Beer, Chief Analyst and Director of Editorial Content w ACAMS. Wiele podmiotów z branży finansowej coraz sprawniej wdraża zaawansowane technologie analityczne, które pomagają im w identyfikowaniu przestępców.

Badanie SAS: Zarządzanie ryzykiem głównym wyzwaniem sektora finansów post covid

Prym we wdrażaniu nowych technologii wiodą nie tylko największe instytucje finansowe. Już 28 proc. dużych firm z tego sektora, które posiadają kapitał większy niż 1 miliard USD, określa siebie jako innowatorów, którzy szybko wdrażają technologię AI. Jednak, aż 16 proc. mniejszych firm (wycenianych poniżej 1 mld USD) również postrzega siebie w ten sposób. Mając na uwadze, że wszystkie organizacje finansowe muszą spełniać te same wymogi regulacyjne, konieczna jest powszechna implementacja technologii, niezależnie od wielkości przedsiębiorstwa.

Sprostanie wyzwaniom związanym z COVID-19 oraz zapewnienie skutecznych metod przeciwdziałania procederom prania pieniędzy nie jest możliwe bez wykorzystania zaawansowanych narzędzi analitycznych. Zdaniem uczestników badania przeprowadzonego przez SAS, KPMG i ACAMS, przyczyniają się do tego również:

  • możliwość poprawy jakości badania poszczególnych przypadków i spełnienia wymogów regulacyjnych (40 proc. odpowiedzi);
  • możliwość ograniczenia liczby fałszywych zgłoszeń i związanych z nimi kosztów (38 proc. odpowiedzi).

Radykalna zmiana zachowań konsumentów wywołana przez pandemię sprawiła, że wiele organizacji z sektora finansowego dostrzegło wady statycznych, opartych na regułach strategii, które nie gwarantują precyzji i nie zapewniają elastyczności porównywalnej do behawioralnych systemów decyzyjnych. Sztuczna inteligencja i uczenie maszynowe są z natury dynamiczne, inteligentnie dostosowują się do zmian rynkowych i pojawiających się zagrożeń. Ponadto technologie te mogą zostać szybko zintegrowane z działającymi programami compliance. Organizacje, które jako pierwsze wdrożyły rozwiązania AI i ML, dostrzegają znaczący wzrost wydajności, a jednocześnie łatwiej im spełnić rosnące wymogi regulacyjne mówi David Stewart, Director of Financial Crimes and Compliance w SAS.

Pełna wersja raportu SAS, KPMG i ACAMS: „Acceleration Through Adversity: The State of AI and Machine Learning Adoption in Anti-Money Laundering Compliance