Luttez contre le blanchiment d'argent grâce à l'analyse de graphes

Pourquoi les institutions financières et les régulateurs devraient-ils cesser de respecter les règles ?

Les institutions financières ont du mal à suivre le rythme des réseaux criminels mondiaux malveillants qui conçoivent constamment de nouveaux moyens plus complexes de blanchir des fonds grâce à des systèmes financiers légitimes. Les anciens systèmes de lutte contre le blanchiment d'argent (AML) basés uniquement sur des règles sont à leur point de rupture et ne sont plus suffisants pour lutter contre les réseaux internationaux de blanchiment d'argent de plus en plus sophistiqués.

Fonctionnement d'un système AML avec règles uniquement

• Applique des règles AML aux données de transaction
• Identifie les activités suspectes
• Alerte un enquêteur humain en cas de signe alarmant

Limites d'un système AML avec règles uniquement

• Ne prend pas en compte d'autres types de données qui peuvent aider à prévenir les activités criminelles
• Impossible d'établir des connexions entre les entités
• Incapacité à reconnaître les tendances et les modèles plus importants
• Inflexible, alors que les criminels s'adaptent souvent
• N'utilise pas les grandes quantités de données stockées dans les établissements

Utilisez l'analyse de graphes pour battre les blanchisseurs d'argent à leur propre jeu

Les institutions financières doivent lutter contre le blanchiment d'argent sur leur propre territoire et opérer au-delà des contraintes des systèmes de lutte contre le blanchiment d'argent basés uniquement sur des règles. En tirant parti de l'analyse de graphes, les banques peuvent révéler des réseaux complexes de pratiques de blanchiment d'argent qui pourraient être négligées par les anciens systèmes. C'est l'aube d'une nouvelle ère où les banques peuvent renforcer la sécurité contre les activités criminelles envahissantes afin de mieux protéger leurs organisations, leur réputation et leurs clients.

L'analyse de graphe est un modèle mathématique qui étudie les informations sous forme de graphe, marquant les points de données en tant que nœuds et matérialisant les relations entre ces points de données en tant qu'arêtes. Grâce à sa capacité à évaluer les connexions, quelle que soit leur complexité ou leur distance, cette technologie aide les banques à rassembler des modèles qui n'étaient pas identifiables jusqu'à récemment.

De nombreux secteurs utilisent cette technologie pour obtenir des informations inédites et adhérer aux règles de lutte anti-blanchiment. Les responsables de la conformité bénéficieront de l'analyse de graphes, car la solution peut être extrêmement efficace contre les réseaux malveillants de blanchisseurs d'argent et peut renforcer les systèmes de gestion de la conformité.

Analyse de graphes dans Oracle Financial Crime and Compliance Management Cloud Service

Oracle Financial Crime and Compliance Management a intégré l'analyse de graphes en 2018, basée sur des recherches d'Oracle Labs. Fort de notre leadership en matière de données, de requêtes, de traitement et de visualisations, cette technologie renforce la conformité des institutions aux règles de lutte contre le blanchiment d'argent.

1. Les données sont au cœur

• L'outil d'analyse de graphes de gestion de la conformité et de la criminalité financière d'Oracle est optimisé par Oracle Financial Services Data Foundation, qui inclut les modèles de données anti-criminalité financière les plus complets du secteur. Cette solution a été peaufinée pendant plus de 20 ans.
• Notre modèle intégré de graphique sur la criminalité financière fonctionne en tandem avec Financial Services Data Foundation, consolidant et indexant les données afin qu'elles puissent être visualisées à l'aide de l'analyse de graphes. Le modèle de représentation graphique de la criminalité financière est flexible et ne fonctionne pas sur un schéma prédéfini, ce qui garantit que la solution est utile même avec des quantités de données rares.
• Les utilisateurs peuvent tirer parti d'une configuration multimodèle (comme Oracle Database) pour décider de manière flexible comment interroger et gérer les données.
• Le modèle Financial Crime Graph obtient des informations à partir de data lakes, de bases de données relationnelles, de jeux de données ponctuels et de sources de données tierces. En facilitant une vision plus holistique des clients et de leurs relations, cet outil permet aux utilisateurs de modéliser les connexions entre toutes leurs sources de données.
• Notre intégration quantifiée offre des informations à la demande et évaluées par risque basées sur l'intelligence open source et des sources de données externes.
• Les données du Consortium international des journalistes d'investigation, qui s'est rendu célèbre pour avoir publié les Panama Papers, sont intégrées dans le graphe. Ces informations aident les utilisateurs à détecter et à résoudre instantanément les potentiels acteurs malveillants.

2. Langage de requête supérieur

• Le langage de requête de graphe est facile à utiliser et à comprendre. Il applique une logique qui simplifie l'expression des modèles, que les relations de données soient complexes, indirectes ou distantes.
• Le langage SQL propriétaire d'Oracle est appelé PGQL (Property Graph Query Language). Ce projet open source exprime les requêtes de manière concise, garantissant ainsi que le codage et le traitement sont plus faciles et plus rapides.
• Les requêtes PGQL fonctionnent d'un à deux ordres de grandeur plus rapidement que les requêtes similaires exécutées en SQL.

3. Traitement plus rapide

• Oracle utilise un moteur d'analyse de graphes évolutif en mémoire appelé Oracle Parallel Graph Analytics (Oracle PGX).
• Oracle PGX fournit des réponses ultra-rapides en exploitant le traitement parallèle et d'énormes quantités de mémoire disponible.
• Les utilisateurs ont accès à des algorithmes intégrés pour effectuer des requêtes courantes et ils peuvent également créer des algorithmes et des contraintes personnalisés pour répondre à leurs besoins.
• Les utilisateurs qui souhaitent créer leurs propres algorithmes peuvent tirer parti d'une API pour une personnalisation complète.

4. Visualisations puissantes

• Les utilisateurs peuvent cliquer sur des nœuds pour explorer intuitivement les relations entre différents points de données.
• Alimentées par des blocs-notes de science des données open source, les visualisations d'analyse de graphes sont intégrées dans l'application Oracle Financial Services Enterprise Case Management via le module Oracle Financial Services Crime and Compliance Investigation Hub.
• Les mises à jour en temps réel des visualisations fournissent un contexte pour les scores de risque.
• En visualisant les connexions, les data scientists peuvent créer plus facilement un algorithme. Cette possibilité est essentielle, car la mise en œuvre de l'analyse de graphes dans un écosystème de machine learning peut améliorer la précision.