Comment les banques renforcent leurs stratégies LBC/FT grâce à l'intelligence artificielle et au machine learning

Résumé TL;DR

• L'apprentissage machine fédéré (FML) permet aux banques mondiales de renforcer leurs stratégies de lutte contre le blanchiment d'argent (LCB-FT) tout en préservant la confidentialité des données.
• Les méthodologies FML, telles que l'apprentissage machine fédéré horizontal et l'apprentissage machine fédéré vertical, facilitent la collaboration et le transfert de connaissances sans exposer les données clients sensibles.
• En tirant parti du FML, les banques peuvent améliorer leur capacité à détecter et à prévenir la diversion de fonds, contribuant ainsi à un système financier mondial plus sécurisé.

En réponse à la loi sur la lutte contre le blanchiment d'argent (AML) de 2020, l'industrie financière adopte le potentiel transformateur de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML) pour renforcer leurs stratégies LCB-FT. Cependant, l'adoption de ces technologies a rencontré des défis en raison de la nature intensive en données de l'IA/ML et de la nécessité de se conformer aux réglementations sur la confidentialité des données. Alors que l'ère numérique a facilité des transactions fluides, elle a également offert des opportunités pour des activités illicites telles que le blanchiment d'argent. 

Les blanchisseurs d'argent emploient souvent la tactique de la diversion de fonds, déplaçant rapidement de l'argent à travers des comptes en petites quantités pour échapper à la détection. Détecter et prévenir de telles tactiques complexes est un défi majeur pour les institutions bancaires mondiales, surtout compte tenu des strictes lois sur la confidentialité des données telles que le Règlement général sur la protection des données (RGPD). C'est là que l'apprentissage machine fédéré (FML) peut jouer un rôle vital dans le renforcement des stratégies LCB-FT.

Aperçu de l'apprentissage machine fédéré

L'apprentissage machine fédéré (FML) est une voie décentralisée vers l'apprentissage automatique qui privilégie la confidentialité des données en gardant les informations sensibles sur des serveurs locaux tout en permettant des insights mondiaux. Il englobe trois méthodologies essentielles : l'apprentissage machine fédéré horizontal (HFL), l'apprentissage machine fédéré vertical (VFL) et l'apprentissage par transfert fédéré (FTL). Le HFL permet aux banques ayant des structures de données similaires mais des propriétaires de données différents de former des modèles d'apprentissage automatique locaux et de partager uniquement les paramètres du modèle sans exposer les données sensibles elles-mêmes. 

Le VFL facilite la collaboration entre différents départements au sein d'une banque qui détient différents types de données sur le même ensemble de clients. Le FTL consiste à tirer parti d'un modèle pré-entraîné sur un ensemble de données et à l'affiner sur un autre, permettant le transfert d'insights d'une région à une autre. Ces méthodologies FML offrent des techniques puissantes pour préserver la confidentialité des données tout en tirant parti des avantages de l'apprentissage automatique à l'échelle mondiale.

Le processus FML : Une approche étape par étape

Voici un aperçu du processus FML :

1. Initialisation : Le serveur initialise un modèle global avec des poids aléatoires et distribue ce modèle aux clients participants.

2. Entraînement local : Chaque client effectue des mises à jour locales du modèle basées sur ses propres données, en utilisant des techniques telles que la descente de gradient stochastique (SGD) ou d'autres algorithmes d'optimisation.

3. Mise à jour du modèle : Chaque client renvoie ses mises à jour locales du modèle au serveur, qui n'inclut que les paramètres du modèle et exclut les données brutes, protégeant ainsi la confidentialité des clients.

4. Agrégation globale : Le serveur agrège les mises à jour locales du modèle, généralement en calculant une moyenne pondérée, pour créer un modèle global mis à jour.

5. Itération : Le serveur renvoie le modèle global mis à jour aux clients, et le processus se répète pendant plusieurs rounds jusqu'à ce que le modèle global atteigne les critères de performance souhaités.

6. Évaluation : Une fois le modèle global finalisé, ses performances peuvent être évaluées sur un ensemble de données de validation séparé ou à l'aide de métriques supplémentaires si nécessaire.

LCB-FT et FML : Une approche synergique

Le FML possède un énorme potentiel pour améliorer les stratégies LCB-FT, en particulier dans la détection de la diversion de fonds. Explorons un cas d'utilisation pour chaque méthodologie FML :

Apprentissage machine fédéré horizontal (HFL) et LCB-FT

Supposons que deux unités commerciales régionales d'une banque mondiale, toutes deux opérant dans l'UE et soumises aux réglementations RGPD, visent à améliorer leurs capacités de détection de la diversion de fonds tout en se conformant aux lois sur la confidentialité. Avec le HFL, chaque unité peut former un modèle ML local pour identifier les schémas suspects associés à la diversion de fonds. Elles peuvent ensuite partager les paramètres du modèle, plutôt que les données clients elles-mêmes, avec un serveur central. Le serveur agrège ces paramètres pour créer un modèle global amélioré, qui est ensuite partagé avec chaque unité régionale. Cette approche garantit que les données clients restent au sein de la banque locale, répondant ainsi efficacement aux préoccupations de confidentialité au titre du RGPD.

Apprentissage machine fédéré vertical (VFL) et LCB-FT

Considérons une seule unité régionale au sein de l'UE composée de deux départements : le département bancaire avec des données de transactions bancaires clients et le département des virements avec des données sur les transferts internationaux effectués par les mêmes clients. Les deux départements cherchent à collaborer pour améliorer la détection de la diversion de fonds tout en maintenant la confidentialité des données. Le VFL permet à ces départements de former conjointement un modèle en utilisant leurs caractéristiques combinées, sans partager les données clients sensibles. Ce faisant, des schémas indicatifs de diversion de fonds, tels que de grands dépôts suivis de transferts internationaux rapides, peuvent être identifiés. Il est important de noter que les données clients n'ont pas besoin d'être consolidées dans une seule base de données, garantissant ainsi la conformité aux exigences du RGPD.

Apprentissage par transfert fédéré (FTL) et LCB-FT

Imaginez une banque mondiale avec des opérations dans la région A (au sein de l'UE, régie par le RGPD) et la région B (en dehors de l'UE avec des réglementations de confidentialité différentes). La banque possède un modèle LCB-FT performant entraîné sur les données de la région A mais constate que ce modèle performe mal dans la région B en raison de conditions économiques et de schémas de transaction distincts. Avec le FTL, la banque peut prendre le modèle entraîné sur les données de la région A et l'affiner en utilisant les données de la région B. 

Cette approche permet à la banque de tirer parti des insights de la région A tout en s'adaptant aux conditions spécifiques de la région B. La région B ne reçoit que les paramètres du modèle et non les données clients spécifiques de la région A, garantissant la conformité au RGPD tout en bénéficiant du transfert de connaissances. Par conséquent, la capacité de la banque à détecter d'éventuelles divergences de fonds dans les deux régions s'améliore considérablement.

FML révolutionne les efforts de lutte contre le blanchiment d'argent (AML) en fournissant un outil puissant pour combattre le blanchiment d'argent tout en respectant les préoccupations en matière de vie privée abordées par le RGPD. Alors que nous naviguons vers un avenir de plus en plus numérique, l'intégration de technologies de pointe comme FML peut avoir un impact significatif sur la sécurité de nos systèmes financiers. En intégrant FML à leurs stratégies AML, les banques peuvent renforcer leur capacité à détecter et à prévenir les activités illicites telles que la diversion de fonds. Cela crée, à son tour, des environnements financiers plus sûrs pour les clients et contribue à un système financier mondial plus sécurisé.