Как банки укрепляют стратегии AML с помощью искусственного интеллекта и машинного обучения

Краткое содержание

• Федеративное машинное обучение (FML) позволяет глобальным банкам укреплять свои стратегии по противодействию отмыванию денег (AML), сохраняя при этом конфиденциальность данных.
• Методологии FML, такие как Горизонтальное федеративное обучение и Вертикальное федеративное обучение, способствуют сотрудничеству и обмену знаниями без раскрытия конфиденциальных данных клиентов.
• Используя FML, банки могут повысить свою способность выявлять и предотвращать отток средств, способствуя созданию более безопасной глобальной финансовой системы.

В ответ на Закон о противодействии отмыванию денег (AML) 2020 года финансовая индустрия использует трансформационный потенциал искусственного интеллекта (AI) и машинного обучения (ML) для укрепления своих стратегий AML. Однако внедрение этих технологий столкнулось с трудностями из-за ресурсоемкости AI/ML и необходимости соблюдения норм конфиденциальности данных. Хотя цифровая эпоха облегчила беспрепятственные транзакции, она также предоставила возможности для незаконной деятельности, такой как отмывание денег. 

Отмывщики денег часто используют тактику оттока средств, быстро перемещая деньги по счетам небольшими суммами, чтобы избежать обнаружения. Выявление и предотвращение таких сложных тактик является серьезной проблемой для глобальных банковских учреждений, особенно с учетом строгих законов о конфиденциальности данных, таких как Общий регламент по защите данных (GDPR). Здесь федеративное машинное обучение (FML) может сыграть важную роль в укреплении стратегий AML.

Обзор федеративного машинного обучения

Федеративное машинное обучение (FML) — это децентрализованный путь к машинному обучению, который ставит во главу угла конфиденциальность данных, сохраняя чувствительную информацию на локальных серверах, но позволяя получать глобальные выводы. Оно включает три основные методологии: Горизонтальное федеративное обучение (HFL), Вертикальное федеративное обучение (VFL) и Федеративное обучение с переносом (FTL). HFL позволяет банкам со схожими структурами данных, но разными владельцами данных, обучать локальные модели машинного обучения и обмениваться только параметрами моделей, не раскрывая сами чувствительные данные. 

VFL способствует сотрудничеству между различными департаментами внутри банка, которые имеют разные типы данных об одной и той же группе клиентов. FTL предполагает использование предварительно обученной модели на одном наборе данных и ее тонкую настройку на другом, что позволяет переносить выводы из одного региона в другой. Эти методологии FML предлагают мощные техники для сохранения конфиденциальности данных при одновременном использовании преимуществ машинного обучения в глобальном масштабе.

Процесс FML: пошаговый подход

Ниже приведена схема процесса FML:

1. Инициализация: Сервер инициализирует глобальную модель со случайными весами и распределяет эту модель среди участвующих клиентов.

2. Локальное обучение: Каждый клиент выполняет локальное обновление модели на основе своих собственных данных, используя такие методы, как стохастический градиентный спуск (SGD) или другие алгоритмы оптимизации.

3. Обновление модели: Каждый клиент отправляет свои локальные обновления модели обратно на сервер, которые включают только параметры модели и исключают сырые данные, обеспечивая конфиденциальность клиентов.

4. Глобальная агрегация: Сервер агрегирует локальные обновления моделей, обычно вычисляя взвешенное среднее, чтобы создать обновленную глобальную модель.

5. Итерация: Сервер отправляет обновленную глобальную модель обратно клиентам, и процесс повторяется в течение нескольких раундов, пока глобальная модель не достигнет желаемых критериев производительности.

6. Оценка: После завершения глобальной модели ее производительность может быть оценена на отдельном наборе данных для проверки или с использованием дополнительных метрик по мере необходимости.

AML и FML: Синергетический подход

FML обладает огромным потенциалом в улучшении стратегий AML, особенно в выявлении оттока средств. Давайте рассмотрим пример использования для каждой методологии FML:

Горизонтальное федеративное обучение (HFL) и AML

Предположим, два региональных подразделения глобального банка, оба работающие в рамках ЕС и подчиняющиеся правилам GDPR, стремятся улучшить свои возможности по выявлению оттока средств, соблюдая законы о конфиденциальности. С помощью HFL каждое подразделение может обучить локальную модель ML для выявления подозрительных паттернов, связанных с оттоком средств. Затем они могут обменяться параметрами модели, а не самими данными клиентов, с центральным сервером. Сервер агрегирует эти параметры для создания улучшенной глобальной модели, которая затем передается обратно каждому региональному подразделению. Этот подход гарантирует, что данные клиентов остаются в локальном банке, эффективно решая вопросы конфиденциальности в соответствии с GDPR.

Вертикальное федеративное обучение (VFL) и AML

Рассмотрим одно региональное подразделение в ЕС, состоящее из двух департаментов: банковского департамента с данными о банковских транзакциях клиентов и департамента денежных переводов с данными о международных переводах, совершенных теми же клиентами. Оба департамента стремятся сотрудничать для улучшения выявления оттока средств, сохраняя конфиденциальность данных. VFL позволяет этим департаментам совместно обучать модель, используя их объединенные признаки, не раскрывая конфиденциальные данные клиентов. Таким образом можно выявить паттерны, указывающие на отток средств, такие как крупные депозиты, за которыми следуют быстрые международные переводы. Важно то, что данные клиентов не нужно консолидировать в одной базе данных, что обеспечивает соблюдение требований GDPR.

Федеративное обучение с переносом (FTL) и AML

Представьте себе глобальный банк с операциями в Регионе A (внутри ЕС, регулируемом GDPR) и Регионе B (за пределами ЕС с другими правилами конфиденциальности). Банк обладает хорошо работающей моделью AML, обученной на данных Региона A, но обнаруживает, что эта модель плохо работает в Регионе B из-за различных экономических условий и паттернов транзакций. С помощью FTL банк может взять модель, обученную на данных Региона A, и выполнить ее тонкую настройку с использованием данных Региона B. 

Этот подход позволяет банку использовать выводы из Региона A, адаптируясь к специфическим условиям Региона B. Регион B получает только параметры модели, а не конкретные данные клиентов из Региона A, что обеспечивает соблюдение GDPR и одновременно дает преимущества от обмена знаниями. В результате способность банка выявлять потенциальный отток средств в обоих регионах значительно улучшается.

FML революционизирует усилия по противодействию отмыванию денег, предоставляя мощный инструмент для борьбы с отмыванием денег при соблюдении вопросов конфиденциальности, затронутых GDPR. По мере того как мы движемся к все более цифровому будущему, интеграция передовых технологий, таких как FML, может оказать значительное влияние на обеспечение безопасности наших финансовых систем. Включая FML в свои стратегии AML, банки могут повысить свою способность выявлять и предотвращать незаконную деятельность, такую как отток средств. Это, в свою очередь, создает более безопасную финансовую среду для клиентов и способствует созданию более безопасной глобальной финансовой системы.