Detección de sanciones por IA

Los programas de detección comparan a los clientes, las contrapartes y los pagos con varias listas: la lista SDN de la OFAC y sus otras listas de sanciones, la Lista Consolidada del Consejo de Seguridad de la ONU, la lista consolidada de sanciones financieras de la UE y la lista de sanciones del Reino Unido, entre otras. En los Estados Unidos, las violaciones de las sanciones civiles son responsabilidad estricta. Una empresa puede ser sancionada incluso si no lo sabía. La OFAC considera la calidad de un programa de cumplimiento al decidir las sanciones. Su "Marco para los compromisos de cumplimiento de la OFAC" de 2019 nombra cinco componentes: compromiso de gestión, evaluación de riesgos, controles internos, pruebas y auditorías, y capacitación. La coincidencia exacta falla porque los nombres son inconsistentes. El orden de las palabras cambia, partículas como "al" o "bin" van y vienen, y la transliteración produce muchas grafías válidas. Los nombres árabes tienen muchas romanizaciones. Los nombres cirílicos difieren según los estándares de transliteración. Los nombres chinos se pueden escribir en pinyin, la antigua romanización de Wade-Giles o variantes locales. La coincidencia difusa se encarga de esto, pero las empresas establecen umbrales conservadores, por lo que los nombres comunes producen enormes volúmenes de alertas. Los profesionales suelen informar que la gran mayoría de las alertas son falsos positivos. La IA ayuda en dos lugares. Los mejores modelos de coincidencia producen variantes ortográficas y comparan nombres de manera más inteligente. Luego, los modelos de puntuación de alertas utilizan identificadores secundarios como fecha de nacimiento, nacionalidad, dirección y números de identificación, junto con patrones de decisiones pasadas de analistas, para clasificar las alertas. El error central es que el objetivo es simplemente menos alertas. Elevar el umbral reduce los falsos positivos y pasa por alto más resultados verdaderos. El verdadero objetivo es una mejor discriminación: la misma o mejor recuperación con menos ruido. La formación sobre disposiciones históricas tiene su propio riesgo. Los verdaderos éxitos son raros y las etiquetas incluyen los errores que cometieron los analistas del pasado. Las alertas de cierre automático necesitan gobernanza documentada, validación y explicaciones listas para el regulador. La coincidencia de nombres tampoco puede detectar el bloqueo basado en la propiedad según la regla del 50 por ciento, que necesita datos de beneficiarios reales.