Журнал ПЛАС » Архив » 2020 » Журнал ПЛАС №5 » 118 просмотров

Какие AML-технологии банки внедряют в 2020 году

Об актуальных технологических тенденциях в сфере безопасности, а также о том, какими инновациями банки усиливают свои системы противодействия отмыванию доходов, рассказывает Елена Куприянова, руководитель направления ПОД/ФТ, SAS Россия / СНГ.
Каждая финансовая организация заботится о собственной безопасности – и не только в силу своих бизнес-интересов, но и под давлением регулятора. ЦБ требует от банков и других финансовых структур, включая брокерские и страховые компании, выполнять меры и предоставлять отчеты по противодействию легализации доходов, полученных преступным путем, и финансированию терроризма (ПОД/ФТ). Несоблюдение требований регулятора может привести как к штрафам, так и к потере лицензии. Количество нормативно-правовых актов в этой области исчисляется десятками, причем ежегодно добавляются новые, требуя изменений в бизнес-процессах и применяемых AML-инструментах. Помимо этого, игрокам финансового рынка приходится участвовать в технологической гонке с самими преступниками, что тоже влияет на автоматизацию задач, процессов и развитие AML-систем.

Онлайн-мониторинг

Онлайн-мониторинг – одна из самых популярных технологий на сегодня. В декабре 2018 года ЦБ рекомендовал банкам внедрить системы онлайн-мониторинга в процессы ПОД/ФТ, после чего спрос на них заметно вырос. Рекомендации ЦБ основаны на комбинированном подходе – выявлять в офлайн-режиме профили подозрительных клиентов и, если клиент попадает под один из таких профилей, ставить его на онлайн-контроль и ограничивать возможность совершать определенные операции. При таком подходе нужно иметь в виду, что в части офлайн-расчетов может быть задержка – это дает злоумышленникам лазейку. Современные онлайн-технологии помогают этого избежать. Рассчитывая клиентские профили на лету, они позволяют легко убрать временной лаг и в режиме реального времени осуществлять онлайн-мониторинг даже очень сложных сценариев. При этом внедрение онлайн-контроля не означает, что на офлайн-мониторинге уже нужно ставить крест. Многие сценарии еще долго будут жить в «классическом» офлайне.

Машинное обучение

Внедрить алгоритмы машинного обучения в процессы ПОД/ФТ сейчас стремятся многие игроки банковского сектора. Несмотря на то, что этот функционал существует давно, спрос на него продолжает расти, поскольку перечень решаемых и автоматизируемых задач постоянно расширяется. Смысл подхода в том, что сценарии обнаружения подозрительной активности, основанные на экспертных правилах, заменяются на математические алгоритмы, построенные машиной. Машинные профили более сложные. Как правило, один такой профиль содержит как минимум несколько десятков показателей или даже больше, а для того чтобы обучить машину, ей на вход подают сотни, а иногда и тысячи атрибутов. Например, учитываются частота переводов, адресаты переводов, источники переводов на один общий расчетный счет, назначение платежа, общие контактные данные, сеть социальных взаимосвязей и т. д. В результате замена экспертных правил машинными профилями позволяет снизить ложные срабатывания, то есть не перепроверять нормальную активность клиентов, которая раньше, согласно экспертным правилам, могла казаться подозрительной. Алгоритмы машинного обучения позволяют рассчитать степень подозрительности клиента и вероятность нарушений с его стороны. Эту вероятность, или скоринговый балл, можно использовать для оценки рисков, приоритизации обнаруженных системой подозрительных случаев, а также для проверки активностей и ранжирования клиентов.
Внедрение алгоритмов машинного обучения позволяет оптимизировать AML-процессы
Еще данный подход позволяет автоматизировать обновление алгоритмов поиска «отмывателей» с учетом изменений в их поведении. Когда профиль строит машина, она самостоятельно мониторит эффективность работы алгоритмов и перестраивает их в случае необходимости. Причем обновляется не только набор значимых показателей, но и пороги отсечения. Если же использовать экспертный профиль, т. е. сценарии обнаружения, основанные на известных схемах отмывания, то нужно отдельно внедрять систему мониторинга ключевых показателей эффективности работы таких сценариев. Таким образом, внедрение алгоритмов машинного обучения позволяет оптимизировать AML-процессы, в частности, снизить ложные срабатывания, автоматизировать обновление алгоритмов обнаружения и процедуры принятия решений.

Облачные технологии

Облачные технологии – это, по сути, автоматизированная система вне контура финансовой организации. При проверке банковские сотрудники обращаются к такой удаленной системе, например, вводят параметры потенциальных клиентов (проспектов), а система выдает ответы, можно или нельзя принять таких клиентов на обслуживание. Очевидным плюсом облачных сервисов является экономия на разработке, внедрении и поддержке таких систем, включая стоимость оборудования, поскольку банк получает доступ к уже готовой или же требующей незначительных настроек системе. Несмотря на очевидные выгоды, облачные технологии достаточно медленно проникают в процессы ПОД/ФТ. Приведенный выше пример, относящийся к процедуре онбординга, давно используется в AML-системах. Но пока не все этапы финансового мониторинга подлежат автоматизации через облака. На это есть две причины – вопросы безопасности, которые, в принципе, решаемы, и юридические вопросы. Например, некоторые ограничения накладывает законодательство о персональных данных и о банковской тайне, в связи с чем российские банки пока не могут передавать всю клиентскую информацию вовне контура банка. Над этим вопросом ведется работа. Почти три года назад уже был налажен обмен данными между банками и ЦБ для противодействия кибермошенничеству. Так что вполне вероятно, что в ближайшей перспективе в автоматизации процессов ПОД/ФТ облачные технологии также займут достойное место.

Цифровая идентичность

Биометрические данные уже давно используются для идентификации клиентов через мобильные устройства. Открывая приложение для онлайн-банка на телефоне или планшете, вы прислоняете палец к сканеру или смотрите в камеру, после чего система (в случае успешной идентификации) предоставляет доступ к личному кабинету. Как известно, в России была запущена Единая биометрическая система, позволяющая клиенту, имеющему подтвержденный профайл на портале госуслуг, единожды предоставить свои биометрические данные, которые будут сохранены в доступной для всех банков – участников системы базе, после чего клиент сможет использовать их для удаленной идентификации при использовании банковских продуктов в любом банке, работающем с ЕБС, включая открытие счета, и осуществлении операций без личного визита в организацию. Кроме цифровой идентичности персоны, существует такое понятие, как цифровой отпечаток устройства – фингерпринт. Это набор показателей, которые считываются с мобильного телефона, планшета, компьютера, позволяющий однозначно или почти однозначно идентифицировать конкретный гаджет. Данную технологию SAS использует в AML-платформе для установления факта управления различными клиентскими счетами через одно и то же устройство, что может помочь в том числе в расследовании и идентификации схем мошенничества или отмывания денег.

Текстовая аналитика

Этот вид аналитики – семантический или смысловой анализ текста – достаточно медленно входит в набор инструментов для автоматизации процессов ПОД/ФТ. Один из примеров использования в AML-системах – сопоставление заявленных видов деятельности клиентов с их реальными финансовыми операциями через анализ назначений платежей. Еще один пример – анализ
Если у вас есть подписка, нажмите
Подписывайтесь на наши группы, чтобы быть в курсе событий отрасли.

Читайте в этом номере:

Добавить комментарий


Перейти к началу страницы

Подпишитесь на новости индустрии

Нажимая на кнопку "подписаться", вы соглашаетесь с


политикой обработки персональных данных