Il prossimoProssima guida
Sanctions Screening and Fuzzy Name Matching
Tecnico
GUIDA alle applicazioni
Lo screening delle sanzioni tramite intelligenza artificiale utilizza la corrispondenza fuzzy dei nomi, la traslitterazione e l'apprendimento automatico per confrontare clienti e soggetti pagatori con elenchi come l'elenco Specially Designated Nationals (SDN) dell'OFAC.
Ascolta questa guidaNarrato dall'IA · ~3 min
Quindi classifica gli avvisi risultanti in modo che gli analisti vedano per prime le probabili corrispondenze reali. È importante perché la responsabilità delle sanzioni civili statunitensi è rigorosa, quindi un colpo mancato è costoso. Nel frattempo lo screening tradizionale produce così tanti falsi positivi che gli analisti passano la maggior parte del loro tempo a chiarire i nomi comuni.
I programmi di screening controllano clienti, controparti e pagamenti rispetto a diversi elenchi: l'elenco SDN dell'OFAC e gli altri elenchi di sanzioni, l'elenco consolidato del Consiglio di sicurezza delle Nazioni Unite, l'elenco consolidato delle sanzioni finanziarie dell'UE e l'elenco delle sanzioni del Regno Unito, tra gli altri. Negli Stati Uniti, le violazioni delle sanzioni civili sono di responsabilità oggettiva. Un'impresa può essere penalizzata anche se non lo sapeva. L'OFAC considera la qualità di un programma di conformità quando decide le sanzioni. Il "Quadro per gli impegni di conformità dell'OFAC" del 2019 nomina cinque componenti: impegno del management, valutazione del rischio, controlli interni, test e audit e formazione. La corrispondenza esatta non riesce perché i nomi non sono coerenti. L'ordine delle parole cambia, particelle come "al" o "bin" vanno e vengono e la traslitterazione produce molte ortografie valide. I nomi arabi hanno molte romanizzazioni. I nomi cirillici differiscono tra gli standard di traslitterazione. I nomi cinesi possono essere scritti in pinyin, nella più antica romanizzazione Wade-Giles o in varianti locali. La corrispondenza fuzzy gestisce questo problema, ma le aziende fissano soglie prudenti, quindi i nomi comuni producono enormi volumi di avvisi. I professionisti riferiscono comunemente che la grande maggioranza degli avvisi sono falsi positivi. L’intelligenza artificiale aiuta in due punti. Modelli di corrispondenza migliori producono varianti ortografiche e confrontano i nomi in modo più intelligente. I modelli di punteggio degli avvisi utilizzano quindi identificatori secondari come data di nascita, nazionalità, indirizzo e numeri di identificazione, insieme a modelli derivanti da decisioni passate degli analisti, per classificare gli avvisi. L’idea sbagliata centrale è che l’obiettivo sia semplicemente ridurre gli allarmi. Aumentando la soglia si eliminano i falsi positivi e si perdono più risultati veri. Il vero obiettivo è una migliore discriminazione: lo stesso o un migliore ricordo con meno rumore. La formazione sulle disposizioni storiche ha i suoi rischi. I veri successi sono rari e le etichette riportano qualunque errore commesso dagli analisti del passato. Gli avvisi con chiusura automatica necessitano di governance documentata, convalida e spiegazioni pronte per le autorità di regolamentazione. Inoltre, la corrispondenza dei nomi non è in grado di rilevare il blocco basato sulla proprietà ai sensi della regola del 50%, che necessita di dati sulla proprietà effettiva.
Un nuovo cliente denominato "Mohammed Al-Hassan" corrisponde parzialmente a una voce SDN scritta "Muhammad Al Hasan". La data di nascita e la nazionalità indicate non corrispondono, quindi il modello abbassa la priorità dell'avviso. Un analista lo cancella ancora e registra il motivo.
Il campo di rimessa a testo libero di un bonifico menziona il nome di una nave che corrisponde a una nave bloccata. Un controllo solo nominativo sull’ordinante e sul beneficiario non avrebbe colto l’occasione.
Un cognome russo scritto in cirillico viene espanso nelle sue ortografie latine comuni, come Shcherbakov e Scherbakov, quindi una voce dell'elenco scritta in un modo corrisponde comunque al record di un cliente scritto in un altro.
Una società non compare in nessun elenco, ma i dati sulla proprietà mostrano che le persone sanzionate insieme ne possiedono più della metà. Viene considerato bloccato secondo la regola del 50% dell'OFAC, che nessun motore di corrispondenza dei nomi riuscirebbe a rilevare da solo.
Gli elenchi delle sanzioni sono cresciuti notevolmente dopo le sanzioni del 2022 contro la Russia, il che aumenta il carico di screening e la complessità della proprietà. Il passaggio ai messaggi di pagamento ISO 20022 introduce dati più strutturati sulle parti, che dovrebbero migliorare la corrispondenza. I modelli linguistici possono aiutare maggiormente con la revisione negativa dei media, la ricerca sulla proprietà e la stesura delle motivazioni dell’allarme, e meno con la corrispondenza dei nuclei. Le autorità di regolamentazione sono state aperte all’apprendimento automatico nello screening quando le aziende possono convalidarlo, spiegarlo e dimostrare che non riduce il rilevamento. La disciplina del rischio del modello deciderà fino a che punto si spingerà l’automazione.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Lo screening delle sanzioni tramite intelligenza artificiale utilizza la corrispondenza fuzzy dei nomi, la traslitterazione e l'apprendimento automatico per confrontare clienti e soggetti pagatori con elenchi come l'elenco Specially Designated Nationals (SDN) dell'OFAC. Quindi classifica gli avvisi risultanti in modo che gli analisti vedano per prime le probabili corrispondenze reali. È importante perché la responsabilità delle sanzioni civili statunitensi è rigorosa, quindi un colpo mancato è costoso. Nel frattempo lo screening tradizionale produce così tanti falsi positivi che gli analisti passano la maggior parte del loro tempo a chiarire i nomi comuni.
Le entità possedute complessivamente per il 50% o più da persone bloccate vengono esse stesse bloccate, motivo per cui sono necessari dati sulla proprietà oltre alla corrispondenza dei nomi.
La responsabilità in materia di sanzioni civili è rigorosa, sebbene l'OFAC consideri la qualità di un programma di conformità quando stabilisce le sanzioni.
I test sotto la linea controllano se la regolazione della soglia nasconde i veri successi, che le guardie ricordano mentre i falsi positivi vengono ridotti.
Lo squilibrio di classi e le etichette storiche errate possono insegnare a un modello a ripetere gli errori del passato, comprese le corrispondenze mancate.
Diversi sistemi di romanizzazione producono diverse ortografie latine dello stesso nome, quindi il motore deve generare o riconoscere varianti.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Sanctions Screening and Fuzzy Name Matching
Tecnico