Combata a lavagem de dinheiro com análises de grafos

Por que as instituições financeiras e os reguladores devem parar de seguir as regras

As instituições financeiras estão tendo dificuldades para acompanhar as redes criminosas globais que constantemente criam maneiras novas e mais complexas de lavar fundos por meio de sistemas financeiros legítimos. Os sistemas tradicionais de combate à lavagem de dinheiro (AML), baseados apenas em regras, já não são mais suficientes para combater redes internacionais de lavagem de dinheiro, cada vez mais sofisticadas.

Como funciona um sistema AML baseado apenas em regras

• Aplica regras de AML aos dados de transações
• Identifica atividades suspeitas
• Alerta um investigador humano sobre sinais de alerta

Limites de um sistema AML baseado apenas em regras

• Não considera outros tipos de dados que podem ajudar a prevenir atividades criminosas
• Não pode fazer conexões entre entidades
• Incapaz de reconhecer padrões e tendências maiores
• São inflexíveis, enquanto os criminosos frequentemente se adaptam
• Não utiliza as grandes quantidades de dados armazenados nas instituições

Use a análise de grafos para derrotar os lavadores de dinheiro em seu próprio jogo

As instituições financeiras devem combater os lavadores de dinheiro em seu próprio território e operar além das restrições dos sistemas de combate à lavagem de dinheiro baseados somente em regras. Ao aproveitar a análise de grafos, os bancos podem revelar redes complexas de práticas de lavagem de dinheiro, que podem passar despercebidas por sistemas legados. Agora é o início de uma nova era em que os bancos podem aumentar a segurança contra atividades criminosas invasivas para proteger melhor suas organizações, reputações e clientes.

A análise de grafos é um modelo matemático que investiga informações em formato de grafo, representando os pontos de dados como nós e traçando os relacionamentos entre esses pontos como arestas. Com a capacidade de analisar conexões, por mais complexas ou distantes que sejam, essa tecnologia permite que os bancos revelem padrões que até pouco tempo atrás eram impossíveis de identificar.

Muitos setores usam essa tecnologia para obter insights até então desconhecidos e aderir às regras de combate à lavagem de dinheiro. Os diretores de conformidade podem se beneficiar da análise de grafos, pois a solução pode ser extremamente eficaz contra redes maliciosas de lavadores de dinheiro e pode fortalecer os sistemas de gerenciamento de conformidade.

Análise de grafos do Oracle Financial Crime and Compliance Management Cloud Service

O Oracle Financial Crime and Compliance Management incorporou a análise de grafos em 2018, com base em pesquisas do Oracle Labs. Apoiada por nossa liderança em dados, consultas, processamento e visualizações, essa tecnologia fortalece a conformidade das instituições com as regras de combate à lavagem de dinheiro.

1. Dados no centro

• A ferramenta de análise de grafos para gerenciamento de conformidade e crimes financeiros da Oracle é baseada no Oracle Financial Services Data Foundation, que inclui os modelos de dados contra crimes financeiros mais completos do setor. Essa solução foi aprimorada ao longo de mais de 20 anos.
• Nosso modelo integrado de grafos para crimes financeiros atua em conjunto com o Financial Services Data Foundation, consolidando e indexando dados para que possam ser visualizados por meio de análises de grafos. O modelo de grafo para crimes financeiros é flexível e não opera com um esquema predefinido, garantindo que a solução seja útil mesmo com quantidades reduzidas de dados.
• Os usuários podem aproveitar uma configuração multimodelo (como o Oracle Database) para decidir com flexibilidade como consultar e gerenciar dados.
• O modelo de grafo para crimes financeiros obtém informações de data lakes, bancos de dados relacionais, conjuntos de dados únicos e feeds de dados de terceiros. Ao facilitar uma imagem mais holística dos clientes e seus relacionamentos, essa ferramenta permite aos usuários modelar conexões entre todas as suas fontes de dados.
• Nossa integração quantificada oferece, sob demanda, informações avaliadas por nível de risco com base em inteligência de código aberto e fontes de dados externas.
• Dados do Consórcio Internacional de Jornalistas Investigativos (conhecido pela divulgação dos Panama Papers) são integrados ao grafo. Essas informações ajudam os usuários a detectar e resolver instantaneamente possíveis criminosos.

2. Linguagem de consulta superior

• A linguagem de consulta a grafos é fácil de usar e simples de entender. Ela aplica uma lógica que simplifica a expressão de padrões, independentemente de os relacionamentos de dados serem complexos, indiretos ou distantes.
• A linguagem proprietária da Oracle, semelhante ao SQL, é chamada de Property Graph Query Language (PGQL). O projeto de código aberto expressa consultas de forma concisa, garantindo que a codificação e o processamento sejam mais fáceis e rápidos.
• Consultas PGQL operam de uma a duas ordens de magnitude mais rápido do que consultas semelhantes executadas em SQL.

3. Processamento mais rápido

• A Oracle utiliza um mecanismo de análise de grafos em memória e escalável chamado Oracle Parallel Graph Analytics (Oracle PGX).
• O Oracle PGX fornece respostas extremamente rápidas aproveitando o processamento paralelo e grandes quantidades de memória disponível.
• Embora os usuários tenham acesso a algoritmos integrados para executar consultas comuns, eles também podem criar algoritmos e restrições personalizados para atender às suas necessidades.
• Usuários que desejam criar seus próprios algoritmos podem aproveitar uma API para personalização completa.

4. Visualizações avançadas

• Os usuários podem clicar nos nós para explorar de forma intuitiva os relacionamentos entre diversos pontos de dados.
• Com base em notebooks de ciência de dados de código aberto, as visualizações de análise de grafos são incorporadas à aplicação Oracle Financial Services Enterprise Case Management por meio do módulo Oracle Financial Services Crime and Compliance Investigation Hub.
• Atualizações em tempo real das visualizações ajudam a fornecer contexto para pontuações de risco.
• Ao visualizar conexões, os cientistas de dados podem criar um algoritmo mais facilmente. Isso é essencial, pois implementar análises de grafos em um ecossistema de machine learning pode melhorar a precisão.