Analyse graphique : renforcer la lutte contre le blanchiment d'argent
Govind Gopinathan Nair, Chef de produit technique, Crime financier et conformité | 24 janvier 2022
L'adoption rapide des paiements numériques et la prolifération des services de technologie financière ont élargi l'accès aux services financiers à l'échelle mondiale et ont permis de déplacer plus facilement et plus rapidement de l'argent à travers le monde. Cela a entraîné une augmentation exponentielle du volume des activités financières et des données connexes. Ces grandes quantités de données contiennent des signaux qui peuvent permettre de détecter et de prévenir la criminalité financière.
La plupart des solutions de lutte contre le blanchiment d'argent (AML, Anti-Money Laundering) utilisées aujourd'hui sont des systèmes de détection de comportement basés sur des règles. Ils ne sont pas conçus pour identifier des modèles complexes et suspects d'activité transactionnelle. De plus, les systèmes AML traditionnels utilisent souvent des bases de données relationnelles ; la détermination des relations et de la connectivité entre les entités de ces bases de données relationnelles peut être difficile. Il s'agit d'une limitation majeure qui peut entraver les efforts visant à détecter et à enquêter sur les cas potentiels de blanchiment d'argent.
La combinaison de graphiques et de l'analyse graphique est une technologie en évolution qui peut donner aux institutions financières une longueur d'avance dans la lutte contre la criminalité financière. Les graphiques et l'apprentissage automatique par graphes sont déjà utilisés pour créer des graphiques de connaissances qui alimentent les recommandations et la recherche dans certaines des plus grandes entreprises technologiques, pour alimenter la recherche de pointe pour résoudre le repliement des protéines et découvrir de nouveaux médicaments. De même, l'analyse graphique peut être un outil puissant dans la trousse d'outils de lutte contre la criminalité financière, dans le secteur financier.
Comprendre l'analyse graphique
Dans sa forme la plus simple, un graphique se compose de noeuds ou de sommets qui représentent des entités connectées par des arêtes représentant les relations entre ces entités. Ces graphiques peuvent être dirigés ou non en fonction de la nature de ces relations. Les graphiques sont le moyen le plus naturel de capturer des relations. En outre, les graphiques de propriétés permettent de capturer des données supplémentaires sur les nœuds et les arêtes en tant que propriétés des nœuds et des arêtes.
Les outils modernes d'analyse graphique peuvent analyser les relations entre les entités, les attributs de ces entités tels qu'ils sont capturés par les propriétés de nœud et d'arête, et leur évolution au fil du temps. Les langages de requête de graphe tels que PGQL peuvent permettre aux utilisateurs de rechercher précisément des modèles complexes. En outre, les réseaux neuronaux de graphes modernes peuvent apprendre avec les représentations de ces graphes, qui associent la topologie et les relations des graphes à leurs propriétés de nœud et d'arête. En tant que telle, l'analyse graphique devient l'outil de choix pour analyser les relations, les dépendances complexes, les liens cachés, les réseaux et les clusters.
Les entités financières, les transactions et les relations peuvent être représentées naturellement à l'aide de graphiques. L'analyse graphique permet aux applications AML d'identifier, d'interroger, d'analyser et de visualiser les relations, en fonction des transactions, des adresses partagées, des numéros de téléphone ou des e-mails, entre des entités telles que les clients, les comptes, les foyers, etc. Ainsi, elle devient rapidement un outil recherché par les analystes et les praticiens de la lutte contre le blanchiment d'argent pour extraire les données des transactions financières afin d'obtenir des informations et de comprendre les relations complexes et non évidentes.
Exploitation de l'analyse graphique pour lutter contre le blanchiment d'argent
La possibilité d'analyser les liens et les relations entre les entités fait de l'analyse graphique l'outil idéal pour l'AML. L'analyse graphique présente plusieurs opportunités de lutter contre le blanchiment d'argent de manière innovante. Elle peut améliorer l'efficacité d'un programme traditionnel de lutte contre le blanchiment d'argent. Voyons comment.
1. Identifier les entités à risque supérieur
Des algorithmes de classement tels que la centralité de proximité, la centralité de degré, la centralité de vecteur propre, etc., peuvent être utilisés pour classer les nœuds dans un graphique. Ces mesures capturent l'importance d'un nœud pour un graphique selon différentes dimensions.
Par exemple, la centralité des degrés capture la façon dont chaque nœud est connecté dans un graphique, tandis que la centralité des vecteurs propres mesure la façon dont un nœud est connecté à d'autres nœuds hautement connectés dans le graphique. De telles mesures de centralité peuvent déterminer les nœuds les plus importants du graphique financier.
Les algorithmes de distribution de degrés sont un moyen facile d'analyser la structure d'un graphique. Par exemple, dans un graphique de transactions standard, les entités ayant le degré de sommet le plus élevé (nombre de voisins) sont généralement des entités fonctionnelles. Les établissements peuvent analyser les distributions de degré de leurs clients et identifier les valeurs aberrantes avec des degrés anormalement élevés compte tenu de leur profil client. Ces entités peuvent être candidates à une diligence raisonnable accrue ou à une diligence raisonnable continue dans le cadre du processus de connaissance continue du client (KYC).
2. Détection et surveillance améliorées
Les langages d'interrogation de graphes tels que PGQL permettent aux utilisateurs d'écrire des requêtes ou des scénarios qui capturent des modèles complexes de mouvements de fonds. Ces outils offrent une surveillance plus personnalisée pour des modèles spécifiques à haut risque. Cela peut être particulièrement utile pour identifier les bénéficiaires finaux (UBO), ceux-ci étant intégrés dans une chaîne complexe de propriété et de transactions.
Les algorithmes de graphique peuvent être utilisés pour trouver le chemin le plus court entre les nœuds dans le graphique sans transaction (graphique prenant uniquement en compte les relations non transactionnelles). Si le chemin le plus court dans le graphique des transactions (en considérant uniquement les données de transaction) entre les mêmes nœuds est beaucoup plus long, cela peut indiquer une tentative de superposition des fonds.
Les réseaux neuronaux de graphes modernes nous permettent également d'apprendre les intégrations ou les représentations des nœuds dans un graphique. Les intégrations capturent la topologie, les relations et les propriétés d'un nœud. Ces intégrations peuvent également être utilisées dans des modèles en aval tels que la notation des risques client ou la notation des événements, ce qui peut considérablement améliorer les performances des modèles, réduisant à la fois les faux positifs et les faux négatifs. Des outils d'explication de réseau de neurones graphiques sont également disponibles pour répondre aux préoccupations concernant l'explicabilité de ces intégrations.
3. Fournir un contexte et accélérer les enquêtes :
Chaque fois qu'une alerte est signalée, il est important que les analystes AML déterminent s'il s'agit d'un incident isolé ou interconnecté. Dans une enquête AML traditionnelle, il serait difficile d'identifier la connectivité dans les ensembles de données dispersés (clients, comptes, transactions, etc.). Cependant, la création d'un graphique pour représenter un dossier permet de visualiser et d'analyser des graphiques, ce qui aide les enquêteurs à obtenir une vue contextuelle de l'entité étudiée.
Les techniques modernes d'apprentissage en profondeur des graphes nous permettent également d'apprendre les intégrations pour les cas, puis de faire apparaître des rapports d'activités suspectes similaires (SAR) qui peuvent fournir des conseils utiles aux enquêteurs.
4. Graphiques des connaissances sur la criminalité financière
Un objectif à long terme pour les institutions financières peut être de construire un graphique des connaissances sur la criminalité financière. L'association de bases de données modernes de traitement du langage naturel (NLP) et de graphiques permettra aux institutions de créer un graphique unique sur la criminalité financière, capturant toutes les données structurées et non structurées, internes et externes sur les clients. Cela permettra de mieux comprendre les clients, ce qui sera utile dans diverses fonctions telles que KYC, les enquêtes et même le marketing.
Conclusion
Il ne s'agit que de quelques exemples des cas d'utilisation potentiels que l'analyse graphique permet. Les établissements peuvent s'entraîner avec des cas d'utilisation plus simples avant de se lancer dans une adoption à grande échelle.
L'analyse graphique peut permettre aux data scientists d'identifier les anomalies et les modèles qui peuvent améliorer la détection, réduire les coûts et accélérer la mise en conformité avec l'AML. Elle offre également de puissantes fonctionnalités de visualisation qui peuvent considérablement améliorer la productivité des enquêteurs et les aider à comprendre des modèles d'activité complexes.
La mise en œuvre de l'analyse graphique dans le cadre de la boîte à outils AML nécessiterait des ressources, des investissements et un engagement qualifiés. Cependant, les avantages l'emportent sur ces coûts, car l'adoption de l'analyse graphique peut dynamiser les programmes de conformité AML chez les banques et les institutions financières.