Alkalmazási ÚTMUTATÓ

AI szankciók átvilágítása

A mesterséges intelligencia szankcióinak szűrése homályos névegyeztetést, átírást és gépi tanulást használ az ügyfelek és a fizető felek összehasonlítására olyan listákkal, mint például az OFAC Specially Designated Nationals (SDN) listája.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon4 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. Az AI-szankciók szűrésének jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Ezután rangsorolja az eredményül kapott riasztásokat, így az elemzők először a valószínű igaz egyezéseket látják. Ez azért fontos, mert az Egyesült Államok polgári szankciói miatti felelőssége szigorú, így a kihagyott találat költséges. Eközben a hagyományos szűrés annyi hamis pozitív eredményt produkál, hogy az elemzők idejük nagy részét a közönséges nevek tisztázásával töltik.

Mély merülés

A szűrőprogramok több listán ellenőrzik az ügyfeleket, a partnereket és a fizetéseket: többek között az OFAC SDN-listája és egyéb szankciós listái, az ENSZ Biztonsági Tanácsának konszolidált listája, az EU összevont pénzügyi szankciólistája és az Egyesült Királyság szankciólistája. Az Egyesült Államokban a polgári szankciók megsértése objektív felelősséget jelent. Egy céget akkor is meg lehet büntetni, ha nem tudta. Az OFAC a szankciók meghatározásakor figyelembe veszi a megfelelőségi program minőségét. A 2019-es „Framework for OFAC Compliance Commitments” öt összetevőt nevez meg: vezetői elkötelezettség, kockázatértékelés, belső kontrollok, tesztelés és auditálás, valamint képzés. A pontos egyezés sikertelen, mert a nevek következetlenek. Változik a szórend, az olyan részecskék, mint az "al" vagy a "bin", jönnek és mennek, és az átírás számos érvényes írásmódot eredményez. Az arab neveknek sok romanizálása van. A cirill betűs nevek eltérnek az átírási szabványoktól. A kínai nevek írhatók pinjinnel, régebbi Wade-Giles romanizációval vagy helyi változatokkal. A fuzzy matching kezeli ezt, de a cégek konzervatív küszöbértékeket határoznak meg, így a gyakori nevek hatalmas riasztási mennyiségeket produkálnak. A szakemberek általában arról számolnak be, hogy a riasztások túlnyomó része téves. Az AI két helyen segít. A jobban illeszkedő modellek helyesírási változatokat hoznak létre, és intelligensebben hasonlítják össze a neveket. A riasztási pontozási modellek ezután másodlagos azonosítókat, például születési dátumot, állampolgárságot, címet és személyazonosító számot, valamint a korábbi elemzői döntésekből származó mintákat használnak a riasztások rangsorolásához. A központi tévhit az, hogy a cél egyszerűen kevesebb riasztás. A küszöb megemelése csökkenti a hamis pozitív eredményeket, és több valódi találatot hagy ki. Az igazi cél a jobb megkülönböztetés: ugyanaz, vagy jobb felidézés kevesebb zajjal. A történelmi diszpozíciókra vonatkozó képzésnek megvan a maga kockázata. Az igazi slágerek ritkák, és a címkék a korábbi elemzők által elkövetett hibákat hordozzák. Az automatikus záródású riasztásokhoz dokumentált irányítás, érvényesítés és a szabályozó számára kész magyarázatok szükségesek. A névegyeztetés sem képes észlelni az 50 százalékos szabály szerinti tulajdonjogi alapú letiltást, amelyhez tényleges tulajdonosi adatokra van szükség.

Valós megvalósítás

A "Mohammed Al-Hassan" nevű új ügyfél részben megegyezik a "Muhammad Al Hasan" SDN-bejegyzéssel. A felsorolt ​​születési dátum és állampolgárság nem egyezik, ezért a modell csökkenti a riasztás prioritását. Egy elemző mégis tisztázza, és rögzíti az okot.

Egy vezeték szabad szövegű átutalási mezője olyan hajónevet említ, amely megegyezik a blokkolt hajóval. A kezdeményező és a kedvezményezett névre szóló ellenőrzése kihagyta volna.

A cirill betűvel írt orosz vezetéknevek kibővülnek a szokásos latin írásmódjaira, például Scserbakovra és Scherbakovra, így az egyik módon írt listabejegyzés továbbra is megegyezik a másikkal írt ügyfélrekorddal.

Egy cég nem szerepel a listán, de a tulajdonosi adatok szerint a szankcionált személyek együttesen birtokolják annak több mint felét. Az OFAC 50 százalékos szabálya értelmében blokkoltként kezelik, amit egyetlen névegyező motor sem fog fel egyedül.

Az AI-szankciók szűrésének jövője

A szankciós listák jelentősen bővültek az Oroszországgal szembeni 2022-es szankciók óta, ami növeli az átvilágítási terhelést és a tulajdonosi bonyolultságot. Az ISO 20022 fizetési üzenetekre való áttérés strukturáltabb adatokat hoz a felek számára, ami javítani fogja az egyezést. A nyelvi modellek leginkább a negatív médiaértékelésekben, a tulajdonosi kutatásokban és a riasztások indoklásának megfogalmazásában segíthetnek, és kevésbé az alapvető egyeztetésben. A szabályozó hatóságok nyitottak voltak a gépi tanulásra a szűrés során, amikor a cégek hitelesíteni tudják, elmagyarázzák, és megmutatják, hogy nem csökkenti az észlelést. A modellkockázati fegyelem fogja eldönteni, hogy meddig tart az automatizálás.

A gyakorlatba ültetés

Miért számít

  • Építési lehetőségek. Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
  • Csapat és munkafolyamat. A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
  • Kockázat és biztonság. A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.

Vigyázz

  • Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
  • A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
  • A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.

Következő lépések

  1. Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
  2. Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
  3. Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
  4. Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the AI Sanctions Screening quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az a mesterséges intelligencia szankciók szűrése?

A mesterséges intelligencia szankcióinak szűrése homályos névegyeztetést, átírást és gépi tanulást használ az ügyfelek és a fizető felek összehasonlítására olyan listákkal, mint például az OFAC Specially Designated Nationals (SDN) listája. Ezután rangsorolja az eredményül kapott riasztásokat, így az elemzők először a valószínű igaz egyezéseket látják. Ez azért fontos, mert az Egyesült Államok polgári szankciói miatti felelőssége szigorú, így a kihagyott találat költséges. Eközben a hagyományos szűrés annyi hamis pozitív eredményt produkál, hogy az elemzők idejük nagy részét a közönséges nevek tisztázásával töltik.

Az OFAC 50 százalékos szabálya szerint mikor kell blokkoltnak tekinteni azt a társaságot, amely nem szerepel a szankciós listán?

A letiltott személyek összességében legalább 50 százalékos tulajdonában lévő entitások maguk is blokkolva vannak, ezért a névegyeztetésen felül a tulajdonjogi adatokra is szükség van.

Milyen felelősségi normák vonatkoznak az Egyesült Államok polgári szankcióinak megsértésére?

A polgári jogi szankciókkal kapcsolatos felelősség szigorú, bár az OFAC a büntetések meghatározásakor figyelembe veszi a megfelelőségi program minőségét.

Mi a célja a szankciószűrés során a vonal alatti tesztelésnek?

A vonal alatti tesztelés ellenőrzi, hogy a küszöbhangolás elrejti-e a valódi találatokat, amelyeket az őrök visszahívnak, miközben a hamis pozitívumok csökkennek.

Miért figyelmeztet az útmutató a riasztási pontozási modellek képzésére a múltbeli elemzői döntésekre?

Az osztálykiegyensúlyozatlanság és a hibás történelmi címkék megtaníthatják a modellt a múltbeli hibák megismétlésére, beleértve a kihagyott mérkőzéseket is.

Miért okozhatnak megfelelő problémákat a kínai nevek a szankciók átvilágítása során?

A különböző latinizációs rendszerek ugyanazon név különböző latin írásmódjait állítják elő, így a motornak változatokat kell generálnia vagy felismernie.