Artificial Intelligence als wapen in de strijd tegen financiële criminaliteit

Teams die binnen financiële instellingen belast zijn met het bestrijden van financiële criminaliteit wachten een moeilijke taak. Niet alleen moeten ze miljarden transacties nauwkeurig controleren en beoordelen, ook wordt van hen verwacht dat ze een uitstekende klantervaring bieden én dat ze voldoen aan de continu veranderende wet- en regelgeving. Inzet van Artifical Inteligence wordt al geruime tijd genoemd als mogelijkheid om verlichting te brengen, maar hoe maak je hier nu daadwerkelijk een succes van?

Ruben Velstra (Head of Financial Economic Crime) en Michel Witte (Senior Managing Consultant) werken beide voor financial services consultancykantoor Delta Capita. De heren pleiten voor de inzet van Artificial Intelligence (AI) in de strijd tegen financiële criminaliteit.

Want AI-technologie – en in het bijzonder machine learning – kan volgens hen uitkomst bieden bij de diverse uitdagingen waar deze financiële teams mee te kampen hebben. Denk bijvoorbeeld aan tal van operationele uitdagingen zoals personeelstekorten, inefficiënte processen en werkstromen en een verouderde techniek. “Automatisering biedt verschillende kansen voor financial crime-functies”, trapt Velstra af.

“Neem als voorbeeld het segment van anti-witwassen”, vervolgt hij zijn uitleg. “AI-oplossingen kunnen de productiviteit verbeteren door veel scherper risicovolle situaties te identificeren die menselijke interactie vereisen dan de huidige rule bases modellen. Ook kunnen ze bijvoorbeeld verborgen risico’s detecteren.”

Dit is volgens de experts echter makkelijker gezegd dan gedaan, want in de praktijk staat de toepassing van AI nog in de kinderschoenen. “Het is echt nog een niche, vooral gedreven door de echte technologieliefhebbers”, vult Witte aan. “Dat komt vooral door de diverse uitdagingen waar teams gaandeweg mee te maken krijgen.”

De grootste uitdagingen kunnen volgens het tweetal worden onderverdeeld in drie groepen: ‘vaardigheden’; ‘de kwaliteit en beschikbaarheid van data’; en ‘transparantie en begrip’.

Vaardigheden

"Voor de adoptie van AI hebben financiële instellingen de neiging externe specialisten aan boord te halen – data science experts of op interne ratings gebaseerde modelspecialisten – die niet altijd ervaren zijn in het gebruik van AI", merkt Witte op.

AI-vaardigheden zijn volgens Witte “al lang niet meer exclusief voorbehouden aan de zogeheten ‘number-crunchers’ en ‘data wizards’”. “Steeds meer mensen kunnen zelfstandig analytics toepassen zonder complexe technieken. Algoritmen worden steeds vaker automatisch gegenereerd, waardoor de vereiste expertise verandert.

Voorwaarde om dit als financiële instelling zelf op te pakken is volgens Witte wel dat bedrijven deze vaardigheden bij hun eigen personeel te trainen, zodat zij in staat zijn de “resultaten goed te begrijpen en te interpreteren”.

Het werven en vinden van geschikte mensen om de AI-technologie effectief in te zetten, vormt echter een behoorlijke barrière. Toch zullen organisaties op zoek moeten gaan naar de juiste aanvullende expertise, zodat ze binnen hun teams beschikken over een juiste mix van technische en financial crime-expertise.

"Het omgaan met waarschuwingen of signalen vanuit AI-systemen vereist ook andere perspectieven voor operationele analisten”, voegt Velstra toe. “Regelgebaseerde systemen beschikken veelal over ‘zwart-wit’-besluitvormingsprocessen. Het gebruik van AI om klantgedrag te analyseren vereist echter een meer proactieve, risicogebaseerde en klantgerichte benadering - en ook een groter, professioneel beoordelingsvermogen."

Betrouwbare data-input

Zoals bij zoveel computersystemen geldt: ‘garbage in = garbage out’. Oftewel: gebrekkige of onzinnige inputdata leiden tot output van lage kwaliteit. Aan financiële instellingen dan ook de taak om, wanneer ze over geavanceerde AI-systemen beschikken, te zorgen voor een constante stroom aan betrouwbare data-input. Het ontbreekt volgens Witte echter nog vaak genoeg aan een dergelijke, kwalitatieve datastandaard.

“Financiële instellingen hebben moeite om alle klantdata up-to-date te houden”, vervolgt hij. “En klantgegevens worden vaak gedupliceerd in interne systemen of opgeslagen in silo's. Als informatie bijvoorbeeld is opgezet op basis van productlijnen in silo's, kan dit het moeilijk maken om gegevens automatisch en holistisch te analyseren.”

 “De tijd is rijp om de vruchten van Artificial Intelligence te plukken.”

Volgens Velstra is het zaak dat instellingen “bouwen aan hun capaciteiten”, als het gaat om het “goed kunnen interpreteren van data” en met het oog op de “transparantie van data”. Want dat machines betrouwbare data-input goed kunnen verwerken is slechts een kant van de medaille. “Wanneer deze vervolgens niet goed wordt begrepen of geïnterpreteerd door de werknemers, dan is deze kwalitatieve data alsnog waardeloos”, stelt Velstra.

En dat gebrek aan interpretatie kan er vervolgens toe leiden dat bedrijven niet goed kunnen voldoen aan veranderende wet- en regelgeving, met alle gevolgen van dien.

Transparantie en begrip

“Het gebruik van AI binnen financial crime is nog steeds een punt van discussie. Zeker als het wordt ingezet als alternatief in plaats van als aanvulling op traditionele methodieken.  De recente rechtszaak tussen Bunq en DNB laat dit spanningsveld goed zien.  Daarom is het belangrijk te benadrukken dat data en analysemodellen ethisch verantwoord worden gebruikt. Instellingen moeten zich ervan bewust zijn dat data een ‘bias’ (vooroordeel) kunnen bevatten”, aldus Velstra.

“In dat geval zouden ze de automatische besluitvorming moeten herconfigureren, zodat auditors het kunnen zien. Ook zouden dan tussentijdse handmatige beveiligingen of rigoureuze tests nodig zijn.”

Velstra wijst naar een recent voorbeeld van een Duitse bank, die per ongeluk de rekeningen van honderden klanten blokkeerde, nadat de bank hun automatische controles had aangescherpt. De daaropvolgende reputatieschade laat goed de mogelijke risico’s zien wanneer de bovenstaande punten niet adequaat worden aangepakt.

De keuze voor de juiste usecases om mee te starten zijn dan ook cruciaal voor het opbouwen van het vertrouwen deze techniek breder in te zetten. Velstra en Witte schetsen diverse praktische voorbeelden die inmiddels in de sector verkend worden. Zoals het gebruik van AI bij transactiemonitoring om automatisch signalen te classificeren of te prioriteren van ‘rule-based’  scenario's; detectie van signifcantie afwijkingen – het genereren van signalen voor een specifiek risico dat bestaande regels niet gemakkelijk kunnen detecteren; en het vergroten van de efficiëntie van het matchen van namen bij het screenen van sancties.

De juiste balans

Velstra en Witte bepleiten dat de eerste stap om al deze uitdagingen te tackelen, is om data zowel als een uitdaging als een kans te zien. De onderliggende problemen moeten niet alleen vanuit het perspectief van financiële criminaliteit worden aangepakt, maar juist vanuit een veel breder perspectief.

“Commerciële initiatieven kunnen bijvoorbeeld baat hebben bij klantgerichte datastructuren”, vult Witte aan. “Instellingen moeten informatie naadloos updaten door deze te koppelen met officiële openbare bronnen, zoals Kamers van Koophandel; en door regelmatig klanten te vragen hun data te valideren.”

Daarnaast waarschuwt Velstra dat instellingen nog steeds “goed moeten nadenken over de beslissing om AI-technologie te ontwikkelen of te kopen”. Hoewel het volgens hem verleidelijk kan zijn om over een eigen AI-systeem te beschikken (en daarmee tussenpartijen uit te schakelen), is niet elk bedrijf in de positie om gespecialiseerde teams samen te stellen om een dergelijke project voor elkaar te boksen. In dat geval zijn er “effectieve, toegewijde derde partijen beschikbaar”, waar vervolgens ook van gebruikgemaakt zou moeten worden.

Velstra legt uit dat financiële instellingen die op hun interne capaciteiten vertrouwen, de juiste balans moeten vinden tussen voortdurend experimenteren en het regelmatig in productie nemen van relevante AI-toepassingen.

“Zoals we hebben benadrukt, is kunstmatige intelligentie niet gemakkelijk in te voeren”, vat Witte samen. “Maar als we ons bewust zijn van de uitdagingen en een solide strategie ontwikkelen, kunnen we tal van mogelijkheden creëren. De tijd is rijp om de vruchten ervan te gaan plukken.