SeterusnyaPanduan seterusnya
Sanctions Screening and Fuzzy Name Matching
Teknikal
PANDUAN Aplikasi
Penapisan sekatan AI menggunakan padanan nama kabur, transliterasi dan pembelajaran mesin untuk membandingkan pelanggan dan pihak pembayaran dengan senarai seperti senarai Warganegara Yang Ditunjuk Khas (SDN) OFAC.
Dengar panduan iniAI-diceritakan · ~3 min
Ia kemudian menyusun kedudukan makluman yang terhasil supaya penganalisis melihat kemungkinan padanan sebenar terlebih dahulu. Ini penting kerana liabiliti sekatan sivil A.S. adalah ketat, jadi pukulan yang terlepas adalah mahal. Sementara itu, pemeriksaan tradisional menghasilkan begitu banyak positif palsu sehingga penganalisis menghabiskan sebahagian besar masa mereka untuk membersihkan nama biasa.
Program saringan menyemak pelanggan, rakan niaga dan pembayaran terhadap beberapa senarai: senarai SDN OFAC dan senarai sekatannya yang lain, Senarai Disatukan Majlis Keselamatan PBB, senarai sekatan kewangan disatukan EU dan senarai sekatan UK, antara lain. Di Amerika Syarikat, pelanggaran sekatan sivil adalah liabiliti yang ketat. Firma boleh dihukum walaupun ia tidak tahu. OFAC memang mempertimbangkan kualiti program pematuhan apabila memutuskan penalti. "Rangka Kerja untuk Komitmen Pematuhan OFAC" 2019 menamakan lima komponen: komitmen pengurusan, penilaian risiko, kawalan dalaman, ujian dan pengauditan serta latihan. Padanan tepat gagal kerana nama tidak konsisten. Perubahan susunan perkataan, zarah seperti "al" atau "bin" datang dan pergi, dan transliterasi menghasilkan banyak ejaan yang sah. Nama Arab mempunyai banyak romanisasi. Nama Cyrillic berbeza antara standard transliterasi. Nama Cina boleh ditulis dalam pinyin, romanisasi Wade-Giles yang lebih lama atau varian tempatan. Padanan kabur menangani perkara ini, tetapi firma menetapkan ambang konservatif, jadi nama biasa menghasilkan volum amaran yang besar. Pengamal biasanya melaporkan bahawa sebahagian besar makluman adalah positif palsu. AI membantu di dua tempat. Model padanan yang lebih baik menghasilkan varian ejaan dan membandingkan nama dengan lebih bijak. Model pemarkahan amaran kemudian menggunakan pengecam sekunder seperti tarikh lahir, kewarganegaraan, alamat dan nombor ID, bersama-sama dengan corak daripada keputusan penganalisis yang lalu, untuk memberi kedudukan kepada makluman. Kesalahpahaman utama ialah matlamat adalah lebih sedikit makluman. Menaikkan ambang mengurangkan positif palsu dan terlepas lebih banyak hits sebenar. Matlamat sebenar ialah diskriminasi yang lebih baik: ingatan yang sama atau lebih baik dengan kurang bunyi. Latihan mengenai pelupusan sejarah mempunyai risikonya sendiri. Hit sebenar jarang berlaku, dan label membawa sebarang kesilapan yang dibuat oleh penganalisis terdahulu. Makluman penutupan automatik memerlukan tadbir urus yang didokumenkan, pengesahan dan penjelasan sedia pengawal selia. Padanan nama juga tidak dapat mengesan penyekatan berasaskan pemilikan di bawah Peraturan 50 Peratus, yang memerlukan data pemilikan berfaedah.
Pelanggan baharu bernama "Mohammed Al-Hassan" sebahagiannya sepadan dengan entri SDN yang dieja "Muhammad Al Hasan." Tarikh lahir dan kewarganegaraan yang disenaraikan tidak sepadan, jadi model itu merendahkan keutamaan amaran. Seorang penganalisis masih membersihkannya dan merekodkan sebabnya.
Medan kiriman wang teks bebas wayar menyebut nama kapal yang sepadan dengan kapal yang disekat. Semakan nama sahaja pada pemula dan benefisiari akan terlepasnya.
Nama keluarga Rusia yang ditulis dalam Cyrillic dikembangkan ke dalam ejaan Latin biasa, seperti Shcherbakov dan Scherbakov, jadi entri senarai yang dieja satu cara masih sepadan dengan rekod pelanggan yang dieja yang lain.
Sebuah syarikat tidak muncul dalam senarai, tetapi data pemilikan menunjukkan individu yang dibenarkan bersama-sama memiliki lebih daripada separuh daripadanya. Ia dianggap sebagai disekat di bawah Peraturan 50 Peratus OFAC, yang mana enjin padanan nama tidak dapat ditangkap sahaja.
Senarai sekatan telah berkembang dengan ketara sejak sekatan 2022 ke atas Rusia, yang meningkatkan beban saringan dan kerumitan pemilikan. Peralihan kepada mesej pembayaran ISO 20022 membawa lebih banyak data pihak berstruktur, yang sepatutnya menambah baik padanan. Model bahasa boleh membantu kebanyakannya dengan semakan media yang buruk, penyelidikan pemilikan dan merangka rasional makluman, dan kurang dengan padanan teras. Pengawal selia telah terbuka kepada pembelajaran mesin dalam saringan apabila firma boleh mengesahkannya, menerangkannya dan menunjukkan ia tidak mengurangkan pengesanan. Disiplin risiko model akan menentukan sejauh mana automasi berjalan.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Penapisan sekatan AI menggunakan padanan nama kabur, transliterasi dan pembelajaran mesin untuk membandingkan pelanggan dan pihak pembayaran dengan senarai seperti senarai Warganegara Yang Ditunjuk Khas (SDN) OFAC. Ia kemudian menyusun kedudukan makluman yang terhasil supaya penganalisis melihat kemungkinan padanan sebenar terlebih dahulu. Ini penting kerana liabiliti sekatan sivil A.S. adalah ketat, jadi pukulan yang terlepas adalah mahal. Sementara itu, pemeriksaan tradisional menghasilkan begitu banyak positif palsu sehingga penganalisis menghabiskan sebahagian besar masa mereka untuk membersihkan nama biasa.
Entiti yang dimiliki 50 peratus atau lebih secara agregat oleh orang yang disekat sendiri disekat, itulah sebabnya data pemilikan diperlukan selain padanan nama.
Liabiliti sekatan sivil adalah ketat, walaupun OFAC mempertimbangkan kualiti program pematuhan apabila menetapkan penalti.
Ujian bawah talian menyemak sama ada penalaan ambang menyembunyikan hits sebenar, yang mengawal ingat sementara positif palsu dikurangkan.
Ketidakseimbangan kelas dan label sejarah yang cacat boleh mengajar model untuk mengulangi kesilapan lalu, termasuk padanan yang terlepas.
Sistem romanisasi yang berbeza menghasilkan ejaan Latin yang berbeza dengan nama yang sama, jadi enjin perlu menjana atau mengenali varian.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Sanctions Screening and Fuzzy Name Matching
Teknikal