Processo di rilevazione potenziale grazie al software Comarch AML
In risposta alle tendenze di mercato e alle sfide nel campo del business e della tecnologia, Comarch ha creato un software antiriciclaggio basato sull’intelligenza artificiale (Comarch Anti-Money Laundering). Esso aumenta significativamente l’efficienza di rilevazione delle transazioni sospette rispetto ai metodi basati sulle regole.
CAML si basa sull’apprendimento della macchina. Tale approccio tecnologicamente avanzato prevede l’uso dell’Intelligenza Artificiale (AI) per la creazione di modelli che, in base ai dati storici, possono determinare l’occorrenza di particolari eventi con adeguata precisione.
L’abilità di apprendere dagli incidenti passati è una delle caratteristiche più importanti del software Comarch per la rilevazione delle frodi. Esso permette di scoprire pattern relazioni e similitudini tra i dati. Il sistema, inoltre, permette di apprendere a rilevare anomalie o a categorizzare e prevedere eventi specifici. Gli algoritmi CAML sono in grado di apprendere con o senza supervisione.
Il rapido aumento delle nuove tecniche e dei metodi di riciclaggio del denaro è una delle ragioni degli elevati livelli di falsi negativi. In questo contesto, la soluzione Comarch Anti-Money Laundering può rivelarsi utile grazie all’applicazione del sistema di rilevazione delle anomalie. Essa ha la capacità di identificare gli eventi non conformi a un particolare schema presente in una raccolta di dati, nonché di ampliare l’intervallo di rilevazione, mediante la scoperta di nuovi sistemi di riciclaggio. CAML utilizza le tecniche più recenti per l’apprendimento senza supervisione e utilizza dati non etichettati per rilevare le attività abusive dei clienti della banca.
Quando un’anomalia viene rilevata, essa viene catalogata e riceve un punteggio che illustra la probabilità di appartenenza alla categoria dei casi di riciclaggio. Per categorizzare le anomalie viene utilizzata una classificazione binaria. Trattandosi di una tecnica di apprendimento con supervisione, l’algoritmo riceve un set di addestramento con dati di ingresso e uscita, etichettati con una categorizzazione reale. Dopo la visualizzazione di un certo numero di casi storici, è sufficiente fornire i dati in ingresso, indicare lo scopo e lasciar lavorare il sistema. Gli eventi che superano un certo valore di punteggio sono inviati agli analisti ai fini dell’ulteriore revisione, mentre quelli che si attestano al di sotto del valore possono essere ignorati in base ai casi storici. L’ordine prioritario conferito agli allarmi accelera il lavoro dei team AML.
Dopo la realizzazione e l’apprendimento dei migliori modelli, essi possono essere applicati al campione-a di convalida dei casi provenienti dal set dei dati di modellizzazione, in modo tale da confermarne la robustezza. Il modello convalidato viene successivamente implementato nell’ambiente IT della banca per rilevare e valutare eventuali anomalie.
L’applicazione dell’addestramento dei macchinari al sistema Comarch Anti-Money Laundering permette di ridurre il tasso dei falsi allarmi per i casi che necessitano di revisione manuale. Ciò garantisce una maggiore efficienza agli analisti AML, grazie all’uso di algoritmi avanzati per la classificazione e la rilevazione delle anomalie.
