Analytics grafici - Potenziare il gioco contro il riciclaggio di denaro
Govind Gopinathan Nair, Technical Product Manager, Financial Crime and Compliance | 24 gennaio 2022
La rapida adozione dei pagamenti digitali e la proliferazione dei servizi di tecnologia finanziaria hanno ampliato l'accesso ai servizi finanziari a livello globale e reso più facile e veloce spostare denaro in tutto il mondo. Ciò ha portato a un aumento esplosivo del volume delle attività finanziarie e dei dati di accompagnamento. Questi grandi gruppi di dati contengono segnali che possono consentire l'individuazione e la prevenzione della criminalità finanziaria.
La maggior parte delle soluzioni antiriciclaggio (AML) attualmente in uso si basa su sistemi di rilevamento comportamentale incentrati su regole, i quali non sono progettati per identificare schemi complessi e sospetti nelle attività transazionali. Inoltre, i sistemi AML tradizionali utilizzano spesso database relazionali; determinare le relazioni e la connessione tra le entità in tali database relazionali può essere difficile. Questa è una limitazione importante che può ostacolare gli sforzi per rilevare e indagare potenziali casi di riciclaggio di denaro.
Una tecnologia in evoluzione che può dare alle istituzioni finanziarie un vantaggio nella lotta contro la criminalità finanziaria è la combinazione di grafici e analytics grafici. I grafici e il machine learning basato su grafici sono già impiegati nella creazione di knowledge graph che alimentano sistemi di raccomandazione e motori di ricerca in alcune delle più grandi aziende tecnologiche, supportano ricerche all'avanguardia per risolvere il problema del ripiegamento delle proteine e facilitano la scoperta di nuovi farmaci. Allo stesso modo, l'analisi grafica e i grafici possono essere uno strumento potente nel toolkit di lotta alla criminalità finanziaria nel settore finanziario.
Informazioni sull'analytics dei grafici
In termini essenziali, un grafico è costituito da nodi o vertici che rappresentano entità, collegati da archi che indicano le relazioni esistenti tra tali entità. Questi grafici possono essere diretti o non diretti a seconda della natura di queste relazioni. I grafici sono il modo più naturale per catturare le relazioni. Inoltre, i grafici a proprietà consentono di registrare ulteriori informazioni riguardanti nodi e archi sotto forma di proprietà degli stessi.
Gli strumenti moderni di analisi dei grafici sono in grado di esaminare le relazioni tra entità, le proprietà di tali entità rappresentate dalle caratteristiche dei nodi e degli archi, nonché la loro evoluzione nel tempo. I linguaggi di query dei grafici come PGQL possono consentire agli utenti di eseguire query con precisione per pattern complessi. Inoltre, le moderne reti neurali dei grafici possono apprendere le rappresentazioni di tali grafici che combinano la topologia e le relazioni dei grafici con le relative proprietà di nodo e arco. In quanto tale, l'analisi dei grafici sta emergendo come strumento di scelta per analizzare relazioni, dipendenze complesse, collegamenti nascosti, reti e cluster.
Le entità finanziarie, le transazioni e le relazioni possono essere rappresentate naturalmente utilizzando i grafici. L'analisi dei grafici consente alle applicazioni di Antiriciclaggio (AML) di identificare, interrogare, analizzare e visualizzare le relazioni basate su transazioni, indirizzi condivisi, numeri di telefono o e-mail tra entità quali clienti, conti, nuclei familiari e altro. Di conseguenza, questa tecnologia sta rapidamente diventando uno strumento imprescindibile per analisti e professionisti AML nella ricerca di informazioni all'interno dei dati delle transazioni finanziarie e nella comprensione di relazioni complesse e non evidenti.
Sfruttare l'analisi dei grafici per combattere il riciclaggio di denaro
La capacità di analizzare i collegamenti e le relazioni tra le entità rende l'analisi dei grafici lo strumento ideale per l'AML. L'analisi grafica presenta diverse opportunità per combattere il riciclaggio di denaro in modo innovativo. Può migliorare l'efficacia e l'efficienza di un programma AML tradizionale. Vediamo come.
1. Identifica entità a rischio più elevato
Gli algoritmi di classificazione, quali la centralità di prossimità, la centralità di grado e la centralità basata sugli autovettori, possono essere impiegati per ordinare i nodi all'interno di un grafico. Queste misure catturano l'importanza di un nodo in un grafico lungo dimensioni diverse.
Ad esempio, la centralità del grado acquisisce il modo in cui ciascun nodo è connesso in un grafico, mentre la centralità dell'autovettore misura il modo in cui un nodo è connesso ad altri nodi altamente connessi nel grafico. Tali misure di centralità possono determinare i nodi più significativi nel grafico finanziario.
Gli algoritmi di distribuzione dei titoli sono un modo semplice per analizzare la struttura di un grafico. Ad esempio, in un tipico grafico delle transazioni, le entità con il grado di vertice più alto (numero di vicini) sono in genere entità aziendali. Gli enti possono analizzare le distribuzioni dei gradi dei loro clienti e identificare i valori anomali con gradi insolitamente elevati dato il loro profilo cliente. Tali entità potrebbero essere candidati per una due diligence avanzata o una due diligence continua nell'ambito del processo di conoscenza continua del cliente (KYC).
2. Rilevamento e monitoraggio ottimizzati
Linguaggi di query grafiche come PGQL consentono agli utenti di scrivere query o scenari che acquisiscono pattern complessi di movimenti di fondi. Tali strumenti consentono un monitoraggio più personalizzato per modelli specifici ad alto rischio. Questo risulta particolarmente utile per l'identificazione dei beneficiari effettivi (UBO), specialmente quando tali beneficiari sono inseriti in una complessa catena di proprietà e transazioni.
Gli algoritmi sui grafi possono essere impiegati per determinare il percorso più breve tra i nodi all'interno del grafico non transazionale, ovvero un grafico che considera esclusivamente le relazioni non transazionali. Se il percorso più breve nel grafico delle transazioni (considerando esclusivamente i dati delle transazioni) tra gli stessi nodi risulta significativamente più lungo, ciò potrebbe indicare un tentativo di stratificazione dei fondi.
Le moderne reti neurali grafiche consentono inoltre di apprendere rappresentazioni o incorporamenti dei nodi all'interno di un grafico. Le integrazioni acquisiscono la topologia, le relazioni e le proprietà di un nodo. Tali integrazioni possono anche essere utilizzate in modelli a valle come il punteggio del rischio del cliente o il punteggio degli eventi che possono migliorare notevolmente le prestazioni dei modelli, riducendo sia i falsi positivi che i falsi negativi. Sono disponibili anche delucidazioni per le Graph Neural Network che possono chiarire le problematiche legate alla spiegabilità di queste integrazioni.
3. Fornisci contesto e accelera le indagini:
Ogni volta che un avviso viene contrassegnato, è importante per gli analisti AML determinare se si tratta di un incidente isolato o interconnesso. In un'indagine AML tradizionale, sarebbe difficile identificare la connessione nei set di dati sparsi (clienti, conti, transazioni, ecc.). Tuttavia, la creazione di un grafico per rappresentare un caso consente visualizzazioni e analisi dei grafici, aiutando gli investigatori a ottenere una vista contestuale dell'entità indagata.
Le moderne tecniche di deep learning su grafici consentono inoltre di apprendere rappresentazioni vettoriali per i casi, permettendo così di evidenziare rapporti di attività sospette (SAR) simili che possono offrire indicazioni preziose agli investigatori.
4. Grafici di conoscenza della criminalità finanziaria
Un obiettivo a lungo termine per le istituzioni finanziarie può essere quello di costruire un grafico della conoscenza della criminalità finanziaria. La combinazione di moderni database di elaborazione del linguaggio naturale (NLP) e grafici consentirà agli istituti di creare un unico grafico della criminalità finanziaria che acquisisce tutti i dati strutturati e non strutturati, interni ed esterni sui clienti. Ciò consentirà una comprensione più approfondita dei clienti che sarà utile in varie funzioni come KYC, indagini e persino marketing.
Una completa unione
Questo è solo un campionamento dei potenziali casi d'uso che l'analisi dei grafici consente. Le istituzioni possono sperimentare alcuni casi d'uso più semplici prima di intraprendere un'adozione su larga scala.
L'analisi dei grafici può consentire ai data scientist di identificare anomalie e pattern in grado di migliorare il rilevamento, ridurre i costi e garantire tempi più rapidi per la conformità AML. Offre inoltre potenti funzionalità di visualizzazione che possono migliorare notevolmente la produttività degli investigatori e aiutarli a comprendere complessi pattern di attività.
L'implementazione dell'analisi dei grafici come parte del toolkit AML avrebbe bisogno di risorse qualificate, investimenti e impegno; tuttavia, i vantaggi superano questi costi poiché l'adozione dell'analisi dei grafici può potenziare i programmi di conformità AML presso banche e istituti finanziari.