Sztuczna inteligencja w quizie dotyczącym przeciwdziałania praniu pieniędzy

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. What operational issue can rule-based transaction-monitoring systems create?
   • They can produce false-positive alerts that require investigator review
   • They establish criminal intent from a transaction amount alone
   • They eliminate all review of customer activity
   • They automatically prove whether funds are illicit
2. What does “structuring” mean under U.S. Bank Secrecy Act guidance?
   • Splitting one account into multiple dashboards for convenience
   • Breaking up transactions for the purpose of evading reporting or recordkeeping requirements
   • Moving a transaction between currencies for an exchange rate
   • Combining several payments for routine bookkeeping
3. Dlaczego grafowe sieci neuronowe są szczególnie przydatne w AML?
   • Tłumaczą tekst transakcji na inne języki
   • Obniżają koszty przechowywania danych transakcyjnych
   • Modelują rachunki i przelewy jako sieci, ujawniając ukryte pierścienie skoordynowanych działań
   • Automatycznie szyfrują całą komunikację z klientami
4. What is customer due diligence (CDD) information used for in risk-based AML monitoring?
   • Automatically proving that a customer committed a crime
   • Replacing all transaction monitoring
   • Setting a universal threshold for every institution
   • Developing a customer risk profile and assessing activity in context
5. Dlaczego oznaczone dane szkoleniowe stanowią wyzwanie dla nadzorowanych modeli AML?
   • Potwierdzone przypadki prania pieniędzy są rzadkie w porównaniu do normalnych transakcji
   • Banki odmawiają wykorzystywania jakichkolwiek danych historycznych
   • Etykiety zmieniają się automatycznie każdego dnia
   • Organy regulacyjne zabraniają przechowywania jakichkolwiek zapisów transakcji
6. Why should an AML alert include an interpretable rationale for an investigator?
   • It makes the alert a final legal finding
   • It helps the investigator review the activity and document why it may be suspicious
   • It removes the need to examine transaction context
   • It guarantees that every alert is true
7. What can entity resolution do in an AML data pipeline?
   • Determine a customer’s guilt without an investigation
   • Change the legal reporting threshold
   • Link records that may refer to the same person or organization across datasets
   • Replace transaction records with generated text
8. How should an investigator interpret an AI-generated transaction risk score?
   • As proof of money laundering
   • As an automatic SAR filing decision
   • As a replacement for the institution’s AML program
   • As a prioritization signal that requires review of supporting activity and context