Сайт находится в состоянии доработки. Извиняемся за неудобства.

x
© 1995-2019 Компания «Инфосистемы Джет» Разработано в Liqium
Информационная безопасность Как искусственный интеллект помогает бороться с отмыванием денег
Автор
Александр Клюев
Статей: 1 Фото-факт: 26

55

0.

12

0

3

Еще 10 лет назад о слове «комплаенс» мало кто слышал. Финансовый мониторинг, лежащий в его основе, заключался лишь в формировании отчетности по обязательному контролю уже совершенных операций. Казалось, этого хватает: законодательство глобально не меняется, процессы налажены и AML-машина едет по накатанным рельсам.

Однако с тех пор все громче звучат требования регулятора тщательнее отслеживать подозрительные транзакции. Банковские системы, которые исторически этим занимались, дорабатывались силами самих финансовых организаций. Нередко новые функции в них внедряли «на костылях». В погоне за выполнением требований законодательства появился спрос на отдельные коробочные решения для автоматического выявления фрода. И на смену самописным скриптам и программам, сделанным «на коленке», стали приходить серьезные продукты.

 

Все больше финансовых организаций интересуются AML-решениями. Это же нелогично, скажете вы. Зачем внедрять дорогую систему для подразделения, которое не зарабатывает? Действительно, комплаенс входит в статью расходов, а не доходов. Но, с другой стороны, недолжное выполнение организацией требований регулятора влечет за собой репутационные и финансовые риски, вплоть до отзыва банковской лицензии.

Что не так со старыми AML-системами

Как мы упомянули выше, исторически внедренные в организациях «антиотмывочные» решения были направлены на анализ уже совершенных операций. Однако, согласно изменениям в положении ЦБ № 375-П от 2012 г., выявлять фрод необходимо в кратчайшие сроки, практически в режиме реального времени. Так регулятор смещает фокус внимания с постконтроля в сторону предиктивного анализа для предотвращения сомнительных операций. Конечно, смена парадигмы обходится финансовым организациям недешево.

 

AML-системы старой формации в большинстве своем не рассчитаны на полноценный онлайн-контроль. Ведь анализироваться должны практически все операции в банке, и при этом каждая из них должна пройти проверку не по одному десятку правил и алгоритмов. Например, процесс проверки исходящих и внутрибанковских платежей от юридического лица происходит так: сначала транзакции верифицируются по набору простых условий — скажем, не входят ли контрагенты в черный список. Затем происходит более глубокий анализ: проверяется поведение компаний на определенном временном отрезке, фиксируется подозрительная активность — например, резкое увеличение количества операций, изменение их типа и т.д. Существующие системы просто не обладают должным уровнем производительности, который нужен для непрерывного контроля всех вышеозначенных процессов.

 

Второй фактор, заставляющий финансовые организации модернизировать AML-системы, напрямую связан с первым. Предположим, банк корректно выстроил процесс контроля подозрительных операций. Его мощная система финмониторинга тщательно следит за происходящим в реальном времени. И… блокирует слишком много операций, ошибочно присваивая им ранг подозрительных! Конечно, это влечет за собой недовольство со стороны клиентов: мало кому понравится, если важные для его бизнеса транзакции подвиснут в банке на неопределенный срок. К тому же это увеличивает нагрузку на сотрудников отдела комплаенса, ведь разобраться с каждой приостановленной операцией нужно в очень сжатые сроки, что возможно только при переводе некоторых процессов в режим ручного управления.

 

Недовольство формирует плохую репутацию на рынке, что влечет за собой отток клиентов. Увеличение ручного труда по отслеживанию транзакций ведет к ошибкам из-за человеческого фактора и недобросовестному выполнению требований регулятора. Круг замкнулся.

Современный AML

Для минимизации рисков и выживания на рынке в условиях изменившихся требований регулятора оптимальная AML-система должна быть высокопроизводительной и обеспечивать быстрое принятие решений по операциям, требующим онлайн-контроля. Кроме того, она обязана иметь низкий процент ложных срабатываний. В идеале операции, признанные системой подозрительными, должны получать статус незаконных в 100% случаев.

 

Наша компания уже несколько лет работает над решениями по финансовому мониторингу и имеет опыт работы со всеми основными направлениями комплаенса:

  • онлайн-мониторинг подозрительных операций;
  • работа с международными санкционными списками FATCA и CRS (GATCA);
  • риск-менеджмент;
  • исполнение политики KYC;
  • отказ от заключения или расторжения договоров;
  • блокировка расчетных счетов.

 

Сильная экспертиза в тандеме с развивающимся направлением аналитики больших данных и ИИ-технологий рождает прочный фундамент для реализации многофункционального антифрод-контроля. В свое время эту задачу решала разработанная нами платформа Jet Compliance. Пройдя «обкатку», система трансформировалась в продукт Jet Detective (JD). В его основе лежит платформа машинного обучения Galatea, которая адаптируется под бизнес-процессы, связанные с аналитикой больших данных.

 

Решение позволяет работать не только с АБС, CRM, ERP, подсистемами процессингового центра, корпоративными порталами и пр., но и с внешними источниками: системами ЦБ РФ и ФНС, реестрами арбитражного суда, ПФР и т.д. В качестве источников могут также выступать базы данных банка, файлы обратного потока, логи серверов и др. Существуют два режима сбора данных: онлайн- и офлайн-интеграция с помощью встроенного ETL-движка. Из разрозненных источников данные собираются в едином модуле хранения, затем формируется справочник бизнес-объектов. На нем система обучается выявлять подозрительные действия и затем самостоятельно в режиме реального времени мониторит подключенные информационные потоки на предмет инцидентов. Это позволяет оперативно реагировать на рисковые операции, в том числе приостанавливать их непосредственно в бизнес-системах.

 

Кроме того, используемая в JD платформа позволяет отказаться от классических инструментов построения серверов приложений и реляционных СУБД, что существенно снижает стоимость владения решением.

Анализируй это

Ставшие уже классикой схемы с участием «обнальщиков» и «транзитеров» занимают верхние строчки хит-парадов ЦБ РФ. Для борьбы с ними регулятор разрабатывает методические рекомендации по работе с трансграничными переводами или операциями с участием «серийных отправителей». Чтобы успеть за мошенниками, внедряются общие регламенты по отслеживанию IP- и MAC-адресов компьютеров, с которых осуществляются операции через системы ДБО, а также сим‑карт и данных устройств, при помощи которых клиент взаимодействует с банком. Все эти условия необходимо контролировать и вовремя вносить в алгоритмы работы AML-системы.

 

Для быстрой адаптации к требованиям ЦБ РФ в систему JD был заложен гибкий конструктор правил выявления подозрительных операций. С его помощью выстраивается логическое дерево проверок, которое может использовать множество видов выражения (атрибуты анализируемого объекта и связанных с ним сущностей, операции сравнения, вычисление расстояния Левенштейна и др.).

 

Настроенные правила можно объединять в политики выявления с различными алгоритмами срабатывания, которые система будет автоматически выполнять при наступлении инцидента.

 

Помимо настройки правил, решение позволяет использовать обучаемые математические модели. Это дает возможность выявлять подозрительные действия в автоматическом режиме без привлечения экспертов и быстро подстраиваться под новые схемы мошенничества.

 

Для управления метаданными системы разработана фабрика данных, которая построена по принципу BOM (Business Object Model). В JD бизнес-объектами являются такие сущности, как «клиент», «счет», «операция», «банковская карта» и т.д. Таким образом, мы не навязываем заказчику свою модель данных, а можем подстраиваться под существующую. Выработать оптимальную модель можно на этапе обследования индивидуально для каждого клиента. Также при необходимости расширения атрибутивного состава бизнес-объектов не нужно привлекать вендора — все настройки выполняются через интерфейс системы и не требуют навыков программирования.

 

Интерфейс рабочего места комплаенс-оператора показывает отобранные системой подозрительные операции, а также их историю в заданном разрезе, например по счету или клиенту. Всю информацию также можно представлять с помощью графических дашбордов.

 

Кроме того, Jet Detective открывает быстрый доступ к профайлу клиента, просмотру детальной информации по каждой проведенной им операции или обнаруженному инциденту. А интерактивный граф связей позволяет визуализировать аффилированность с другими клиентами и анализировать любые узлы графа.

 

В итоге заказчик получает функциональную и отказоустойчивую конфигурацию «прямо из коробки». В результате внедрения Jet Detective уменьшается количество ложных срабатываний и происходит фокусировка на действительно важных событиях. Это сокращает время на обработку и расследование инцидентов, прогнозирование и предотвращение нестандартного финансового поведения.

 

Вместе с тем система позволяет сэкономить за счет незначительной по сравнению с импортными аналогами стоимости лицензий. Отсутствуют затраты и на дорогие программно-аппаратные платформы, а также реляционную СУБД

Следите за нашими обновлениями

Спасибо!
Ваш материал отправлен.
Мы с вами свяжемся
Предложить
авторский материал
Спасибо!
Вы подписались на обновления наших статей
Подписаться
на рубрику
Спасибо!
Ваша заявка отправлена.
Мы с вами скоро свяжемся.
Оформить
подписку на журнал
Спасибо!
Вы подписались на наши новости.
Оформить
подписку на Новости
Ваш комментарий отправлен.
После прохождения модерации комментарий будет опубликован на сайте.
Оставить
комментарий
Спасибо!
Ваша заявка отправлена.
Мы с вами скоро свяжемся.
Задать вопрос
редактору

Оставить заявку

Мы всегда рады ответить на любые Ваши вопросы

* Обязательные поля для заполнения

Спасибо!

Благодарим за обращение. Ваша заявка принята

Наш специалист свяжется с Вами в течение рабочего дня