От выявления мошеннических транзакций до круглосуточного привлечения клиентов — одни из лучших приложений искусственного интеллекта сегодня можно найти в банках и других финансовых учреждениях.

По всем направлениям наиболее популярным применением ИИ для поставщиков финансовых услуг (банков, страховых компаний, продавцов и т. д.) является использование чат-ботов НЛП или диалоговых интерфейсов, которые автоматизируют определенные транзакции клиентов (я недавно писал об этой возможности).

Однако наиболее критическое развертывание ИИ в банках и др. Обнаружение аномалий – метод искусственного интеллекта, который обеспечивает финансовую кибербезопасность, автоматизирует процесс выявления банковского мошенничества и управляет процессами борьбы с отмыванием денег.

Как правило, борьба с мошенничеством в режиме реального времени с использованием искусственного интеллекта (ИИ) может обеспечить немедленную окупаемость инвестиций. Таким образом, инвестиции ИИ в финансы в основном направлены на борьбу с мошенничеством и отмыванием денег. Кроме того, прогнозируется, что к 2030 году рост инвестиций в ИИ для финансовых приложений достигнет 300 миллиардов долларов.

В этой заметке мы расскажем о трех случаях развертывания ИИ для финансовой кибербезопасности с целью выявления различных подходов к обнаружению мошенничества с платежами, мошенничества с кредитами и мошенничества с привлечением клиентов.

Citibank и Feedzai: автоматизация процесса обнаружения мошенничества с кредитными картами

CitiGroup очень открыто рассказала о том, как они внедряют искусственный интеллект в свой бизнес, и в 2018 году их решения для казначейства и торговли (TTS) вступили в стратегическое партнерство с Feedzai, лидером в области искусственного интеллекта (ИИ) для управления рисками в реальном времени. банковское дело и торговля.

Растущий уровень автоматизации и оцифровки совпал со все более изощренными и частыми кибератаками, и сейчас банкам необходимо быть более бдительными, чем когда-либо.

В то же время быстрый рост мгновенных платежей означает, что ожидания клиентов в отношении скорости обработки платежей продолжают расти.

С этой целью программное обеспечение Feedzai помогает клиентам быть в курсе новых угроз, не влияя на время обслуживания.

Изображение ниже объясняет, как работает платформа Feedzai.

Данные перетекают из больших единиц хранения, называемых «озёрами данных» и API, в платформу OpenML Engine. Затем платформа направляет данные для экспериментов и анализа в реальном времени.

Технология машинного обучения Feedzai автоматически настраивает элементы управления для отслеживания расхождений и изменений в платежном поведении клиентов, позволяя анализировать и выявлять потенциальные аномалии в затронутых платежах до того, как они будут отправлены на клиринг.

Это делает это, гарантируя, что платежи обрабатываются как можно быстрее и эффективнее.

Что касается выявления мошенничества, Feedzai утверждает, что их платформа позволила сократить количество ложных срабатываний на на 42% в ведущем мировом банке (они не раскрывают, какой это клиент, но мы знаем, что это Citibank).

Кроме того, Feedzai сообщила об уменьшении затрат на 53 % благодаря повышению производительности по сравнению с системами, использовавшимися на момент развертывания в 2018 году.

В-третьих, компания сообщила о увеличении на 74 % количества утверждений новых аккаунтов.

Эти три развертывания ИИ в Ситибанке для предотвращения мошенничества с транзакциями, смягчения последствий мошенничества с кредитными заявками и мошенничества с открытием счетов могут быть воспроизведены в банках, готовых к ИИ, с правильными данными и правильным подходом.

Чтобы узнать, как получить доступ к готовности вашей организации к ИИ, ознакомьтесь с моей последней статьей

Прежде чем мы рассмотрим развертывание ИИ в HSBC, важно отметить, что для того, чтобы ИИ работал в банке или финансовом учреждении в целом, требуется команда специалистов по данным, возглавляемая сторонником ИИ (предпочтительно старшим руководителем в организации).

HSBC и Ayasdi: автоматизация расследований по борьбе с отмыванием денег (AML)

В 2018 году банку нужно было сократить время и затраты на традиционный процесс расследования, для которого требовались тысячи сотрудников, поэтому он развернул решение Ayasdi на основе искусственного интеллекта.

HSBC заключил партнерское соглашение с Ayasdi для разработки решения по борьбе с отмыванием денег с использованием ИИ. Перед банком стояла цель повысить операционную эффективность в области KYCC (Знай своего клиента, клиента) на 3% (с дополнительной целью в 5%).

Используя решение Ayasdi для борьбы с отмыванием денег, банк добился сокращения объема расследований (ложных срабатываний) более чем на 20%, одновременно обнаружив другие многочисленные модели поведения, непосредственно связанные с мошенничеством. Выявив закономерности в исторических данных, которые могут указывать на отмывание денег, банк теперь может остановить платежи до того, как они нарушат правила.

Как это сделал Аясди:

Сначала они посмотрели на доступные данные сообщения SWIFT и увеличили количество функций для построения своего алгоритма машинного обучения.

Увеличение количества функций произошло в результате включения и создания таких функций, как данные о транзакциях (тип, направление, стоимость), данные о клиентах (географические, хронологические) и данные о рисках.

Затем Аясди создал серию предполагаемых сегментов, используя подмножество данных.

Поддерживая существующее количество групп постоянным, Аясди создал более интеллектуальные, защищенные и однородные группы, которые были построены с использованием совершенно других функций, чем группы, созданные банком.

Особенно примечательно, что это упражнение было выполнено полностью без присмотра. Программное обеспечение Аясди выбрало соответствующие алгоритмы, создало группы кандидатов и настроило пороговые значения сценария в этих группах, пока не были определены оптимальные.

После определения оптимальной структуры группы была создана модель дерева решений. Распределение клиентов по этим группам затем оценивалось, подтверждалось независимо и применялось к существующей инфраструктуре банка.

Весь этот проект занял несколько недель, и в нем участвовала команда из двух специалистов по данным и менеджера проекта из Ayasdi, работавших с командой из двух экспертов в области из банка. После проверки внутренним советом по анализу модели банка и регулирующим органом банк находится в процессе глобального развертывания решения Ayasdi для сегментации.

Решения Ayasdi в первую очередь основаны на технологии обнаружения аномалий, которая помогает распознавать отклонения от заранее установленной нормы. Они утверждают, что их программное обеспечение анализирует источники и адресатов платежей клиентов, чтобы убедиться, что средства поступают из законных источников.

Программное обеспечение для обнаружения аномалий, похоже, хорошо сработало для HSBC и других банков, стремящихся улучшить свою защиту от отмывания денег.

Это связано с тем, что хорошо обученные алгоритмы могут распознавать отклонения намного быстрее, чем люди-аналитики за компьютерами.

Danske Bank и Teradata: мониторинг мошенничества в режиме реального времени

Столкнувшись со все более изощренными видами мошенничества, Danske Bank обратился к Teradata в 4 квартале 2017 года.

Были две основные проблемы: низкий уровень обнаружения мошенничества (40 процентов) и до 1200 ложных срабатываний в день убедили банк модернизировать свои средства защиты от мошенничества.

Как это было

Danske Bank применил инновационные аналитические методы, в том числе искусственный интеллект, для достижения следующих целей:

  • Сократите количество ложных срабатываний на 60 % (ожидается, что этот показатель достигнет 80 %), поскольку модель машинного обучения продолжает учиться.
  • Увеличьте обнаружение реального мошенничества на 50%
  • Переориентировать свое время и ресурсы на фактические случаи мошенничества и выявление новых методов мошенничества.

Решение Futuresoft на основе искусственного интеллекта для банков и финансовых учреждений

В проекте ИИ, призванном помочь финансовым учреждениям снизить финансовые и нормативные риски, уменьшить количество ложных срабатываний или сократить накладные расходы, мы начинаем с того, что ваша организация готова к работе с ИИ.

После этого мы выбираем подходящих поставщиков средств обнаружения мошенничества с поддержкой ИИ.

В-третьих, мы деконструируем ваш рабочий процесс обнаружения мошенничества и определяем ключевые действия, в которые может вписаться ИИ.

Наш рабочий процесс для проектов ИИ, направленных на пресечение отмывания денег и автоматизацию обнаружения мошенничества, разработан специально на основе доступных данных.