OPINIÃO

Machine Learning e o combate à lavagem de dinheiro

Por Scott Zoldi*
14/02/2019 ... Convergência Digital

Operações de combate à lavagem de dinheiro (Anti-Money Laundering - AML) trabalham duro para estar em conformidade com regras, políticas e regulamentos. Mas apesar de todo esse esforço, a lavagem de dinheiro está fora de controle em todo o mundo: a quantidade anual de dinheiro lavado é estimada entre 2 e 5% do Produto Interno Bruto (PIB) global. Alarmes falsos e processos ineficientes são algumas das razões pelas quais grande parte da lavagem de dinheiro corre solta.

O aprendizado de máquina (Machine Learning) no combate à lavagem de dinheiro está melhorando drasticamente a eficácia das operações de conformidade. Recentemente, falei sobre o tema na Associação de Especialistas Certificados em Antilavagem de Dinheiro (ACAMS), em sua 18ª Conferência Anual de Crimes Financeiros e AML em Las Vegas. Com a energia de Vegas proporcionando um cenário apropriado, falamos sobre:

Como o Machine Learning é diferente da Inteligência Artificial (IA) - O aprendizado de máquina não executa tarefas cognitivas programadas por humanos. Em vez disso, os algoritmos de Machine Learning aprendem novas relações a partir de dados. A descoberta de padrões ocultos no movimento do dinheiro torna o aprendizado de máquina um aprimoramento muito atraente para as operações de combate à lavagem de dinheiro.

Usar Machine Learning para priorizar alertas e encontrar mais lavagem de dinheiro - Na minha apresentação, fiz referência a um artigo de 2017 da McKinsey sobre o tema da aplicação de novas tecnologias no combate à lavagem de dinheiro. Com 99% dos alertas se revelando alarmes falsos, a McKinsey observou que as técnicas de aprendizado de máquina reduzem esses falsos positivos de 20 a 30%. Por sua vez, a carga de trabalho dos investigadores pode ser reduzida em 50%.

O gráfico abaixo ilustra como as organizações geralmente usam scores de Machine Learning. Ao escolher um limite de pontuação, o time de combate à lavagem pode entender a quantidade de dinheiro detectada e, consequentemente, controlar a taxa de alarmes falsos. O profissional, portanto, escolhe um ou mais limites que acionam analistas para trabalhar nesses casos. As transações também podem ser automáticas.


Fonte: blog da FICO

Melhorar o conhecimento dos usuários usando análise comportamental em tempo real - O Machine Learning pode melhorar em até 3x o relatório de atividade de alarme suspeito (, por meio de uma segmentação mais rígida, de acordo com a McKinsey. Exemplos de segmentação mais refinada incluem aprendizagem de usuários com relações financeiras fora dos EUA, seja uma pessoa com alto patrimônio líquido ou um pequeno empreendedor. Dessa forma, o Machine Learning desafia o status quo dos processos de conhecimento dos usuários usando análises comportamentais em tempo real, baseadas em transações financeiras.

O aprendizado de máquina pode até levar a regras melhores, conforme ilustrado na figura abaixo. Por exemplo, o modelo de Machine Learning pode descobrir usuários em jogos de azar online de baixo custo, que fazem isso como uma forma de transferir fundos para o exterior. Sabendo como os algoritmos de aprendizado de máquina detectam novos padrões invisíveis de atividade ilícita, melhores leis, regras e insights podem ser obtidos.


Fonte: blog da FICO

Como podemos explicar os modelos de Machine Learning - Além do uso do aprendizado de máquina, é importante também explicar esses modelos a pesquisadores, reguladores e equipes internas de governança. O exemplo abaixo mostra como múltiplas variáveis que compõem o modelo (V1-V6 à extrema esquerda) se alimentam em algoritmos de Machine Learning, cujos resultados são processados por um Relatório de Razão e Ranking de Algoritmo. As razões são classificadas em termos de importância e relevância para explicar como o modelo chegou à pontuação.

Este algoritmo tem sido usado na Plataforma FICO® Falcon® por anos, e mostra a probabilidade do valor de uma variável (e consequentemente o código de razão) contribuir para a pontuação observada. Isso é baseado na totalidade dos dados usados para construir o modelo de Machine Learning e é probabilístico. Ao classificar os principais códigos de razão, os analistas e  reguladores entenderão como a pontuação foi obtida, o que pode ajudar nas investigações e na criação de narrativas dos relatórios.

Em resumo, o uso do Machine Learning pode ajudar a superar os principais desafios de conformidade, como falsos positivos, para obter novos insights e entender o comportamento dos usuários, fornecendo uma lógica de decisão clara e explicável. Claramente, a tecnologia de aprendizado de máquina adiciona um impulso "super-humano" à eficácia dos esforços de combate à lavagem de dinheiro.

(*) Dr. Scott Zoldi é diretor de análise da FICO, uma empresa global de software analítico. Ele é autor de 45 patentes analíticas e tem outras 50 pendentes. Scott escreve para o blog  www.fico.com/blog e está no Twitter como @ScottZoldi.


Carreira
Ingram Micro distribuirá R$ 1 milhão para desenvolvedores de software no Brasil

Brasileiros vão participar da etapa local do concurso global, Comet Competition, voltado para identificar desenvolvedores de software B2B. Inscrições já estão abertas. Grande vencedor global dad disputa poderá receber US$ 1 milhão.



  • Copyright © 2005-2019 Convergência Digital
  • Todos os direitos reservados
  • É proibida a reprodução total ou
    parcial do conteúdo deste site
    sem a autorização dos editores
  • Publique!
  • Convergência Digital
  • Cobertura em vídeo do Convergência Digital
  • Carreira
  • Cloud Computing
  • Internet Móvel 3G 4G