РУКОВОДСТВО ПО ПРИМЕНЕНИЮ

Проверка санкций против ИИ

При проверке санкций ИИ используется нечеткое сопоставление имен, транслитерация и машинное обучение для сравнения клиентов и сторон платежа со списками, такими как список граждан особых категорий (SDN) OFAC.

Прослушайте это руководствоОзвучено ИИ · ~3 min

На этой странице4 минуты чтения
  1. Обзор
  2. Глубокое погружение
  3. Реальная реализация
  4. Будущее проверки санкций в отношении ИИ
  5. Применение на практике
  6. Продолжайте исследовать
  7. Часто задаваемые вопросы

Обзор

Затем он ранжирует полученные оповещения, чтобы аналитики в первую очередь видели вероятные истинные совпадения. Это важно, потому что ответственность за гражданские санкции США является строгой, поэтому пропущенный удар обходится дорого. Между тем, традиционный скрининг дает так много ложных срабатываний, что аналитики тратят большую часть своего времени на выяснение общих имен.

Глубокое погружение

Программы проверки проверяют клиентов, контрагентов и платежи по нескольким спискам: списку SDN OFAC и другим санкционным спискам, сводному списку Совета Безопасности ООН, сводному списку финансовых санкций ЕС и санкционному списку Великобритании и другим. В Соединенных Штатах за нарушение гражданских санкций предусмотрена строгая ответственность. Фирма может быть оштрафована, даже если она не знала. OFAC действительно учитывает качество программы соблюдения требований при принятии решения о штрафах. В «Системе обязательств OFAC по соблюдению требований» на 2019 год выделены пять компонентов: приверженность руководства, оценка рисков, внутренний контроль, тестирование и аудит, а также обучение. Точное сопоставление невозможно, поскольку имена несовместимы. Меняется порядок слов, такие частицы, как «al» или «bin», приходят и уходят, а транслитерация дает множество допустимых вариантов написания. Арабские имена имеют множество латинизаций. Кириллические имена различаются в зависимости от стандартов транслитерации. Китайские имена могут быть написаны пиньинь, старой латинизацией Уэйда-Джайлса или местными вариантами. С этой задачей справляется нечеткое сопоставление, но компании устанавливают консервативные пороговые значения, поэтому общие имена вызывают огромные объемы предупреждений. Практики обычно сообщают, что подавляющее большинство предупреждений являются ложноположительными. ИИ помогает в двух местах. Модели лучшего соответствия создают варианты написания и более разумно сравнивают имена. Затем модели оценки предупреждений используют вторичные идентификаторы, такие как дата рождения, гражданство, адрес и идентификационные номера, а также закономерности прошлых решений аналитиков для ранжирования предупреждений. Основное заблуждение заключается в том, что цель — просто уменьшить количество предупреждений. Повышение порога сокращает количество ложных срабатываний и пропускает больше истинных совпадений. Настоящая цель — улучшить распознавание: такое же или лучшее запоминание с меньшим количеством шума. Обучение историческим предрасположенностям имеет свой риск. Настоящие успехи редки, и лейблы несут в себе все ошибки, допущенные прошлыми аналитиками. Автоматическое закрытие оповещений требует документированного управления, проверки и готовых объяснений для регулирующих органов. Сопоставление имен также не позволяет обнаружить блокировку на основе права собственности в соответствии с правилом 50 процентов, для которого необходимы данные о бенефициарной собственности.

Реальная реализация

Новый клиент по имени «Мохаммед Аль-Хасан» частично соответствует записи SDN, написанной «Мухаммед Аль-Хасан». Указанная дата рождения и гражданство не совпадают, поэтому модель снижает приоритет оповещения. Аналитик все равно очищает его и записывает причину.

В поле денежного перевода с произвольным текстом упоминается название судна, которое соответствует заблокированному кораблю. Проверка только имени отправителя и бенефициара не позволила бы этого сделать.

Русская фамилия, написанная кириллицей, расширяется до общепринятых латинских вариантов написания, таких как Щербаков и Щербаков, поэтому запись в списке, написанная одним способом, по-прежнему соответствует записи клиента, написанной другим способом.

Компания не фигурирует в списке, но данные о собственности показывают, что попавшие под санкции лица вместе владеют более половиной компании. Он считается заблокированным в соответствии с правилом 50 процентов OFAC, которое ни одна система сопоставления имен не сможет отследить в одиночку.

Будущее проверки санкций в отношении ИИ

Санкционные списки значительно расширились после санкций против России в 2022 году, что увеличивает нагрузку на проверку и сложность владения. Переход на платежные сообщения ISO 20022 приносит более структурированные данные о сторонах, что должно улучшить сопоставление. Языковые модели могут помочь больше всего при негативных обзорах в СМИ, исследовании прав собственности и составлении обоснований предупреждений, и в меньшей степени при сопоставлении основных элементов. Регулирующие органы открыты для использования машинного обучения при проверке, когда фирмы могут его проверить, объяснить и продемонстрировать, что оно не снижает уровень обнаружения. Дисциплина модельного риска будет определять, насколько далеко зайдет автоматизация.

Применение на практике

Почему это важно

  • Выбор сборки. Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты.
  • Команда и рабочий процесс. Хорошая интеграция рабочих процессов обеспечивает повышение производительности, которому пользователи могут доверять.
  • Риски и безопасность. Хорошо продуманные варианты использования снижают усталость от изменений и риск внедрения.

Следите за

  • Автоматизация сломанного процесса может усугубить существующие проблемы.
  • Команды могут чрезмерно автоматизировать и исключить необходимое человеческое суждение.
  • Качество может ухудшиться, если результаты не будут оцениваться постоянно.

Следующие шаги

  1. Составьте карту текущего рабочего процесса и определите этап, вызывающий наибольшие затруднения.
  2. Определите человеческие контрольно-пропускные пункты перед полной автоматизацией.
  3. Обучайте пользователей подсказкам, путям эскалации и стандартам качества.
  4. Отслеживайте результаты на уровне задач, чтобы подтвердить устойчивую ценность.

Продолжайте исследовать

Бесплатная рассылка

Получайте ежедневный AI-обзор

Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.

Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.

Проверьте себя

Take the AI Sanctions Screening quiz

Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.

Начать тест

Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование

Часто задаваемые вопросы

Что такое проверка санкций против ИИ?

При проверке санкций ИИ используется нечеткое сопоставление имен, транслитерация и машинное обучение для сравнения клиентов и сторон платежа со списками, такими как список граждан особых категорий (SDN) OFAC. Затем он ранжирует полученные оповещения, чтобы аналитики в первую очередь видели вероятные истинные совпадения. Это важно, потому что ответственность за гражданские санкции США является строгой, поэтому пропущенный удар обходится дорого. Между тем, традиционный скрининг дает так много ложных срабатываний, что аналитики тратят большую часть своего времени на выяснение общих имен.

Согласно правилу 50 процентов OFAC, когда компания, которая не фигурирует в санкционном списке, считается заблокированной?

Объекты, 50 или более процентов которых в совокупности принадлежат заблокированным лицам, сами блокируются, поэтому помимо сопоставления имен необходимы данные о собственности.

Какой стандарт ответственности применяется к нарушениям гражданских санкций США?

Ответственность за гражданские санкции является строгой, хотя OFAC учитывает качество программы соблюдения требований при назначении санкций.

Какова цель скрытого тестирования при проверке санкций?

Тестирование «под чертой» проверяет, скрывает ли настройка порога реальные попадания, что предотвращает запоминание и снижает количество ложных срабатываний.

Почему в руководстве предупреждается об обучении моделей оценки предупреждений на основе прошлых решений аналитиков?

Классовый дисбаланс и ошибочные исторические ярлыки могут научить модель повторять прошлые ошибки, включая пропущенные совпадения.

Почему китайские имена могут создавать проблемы с совпадением при проверке санкций?

Различные системы латинизации создают разные латинские варианты написания одного и того же имени, поэтому движку приходится генерировать или распознавать варианты.

Продолжайте учиться

Связанные руководства

Другие руководства, выбранные по этой теме

Получите бесплатный AI-сертификатКороткий бесплатный курс и экзамен. Без стоимости, без карты. Около 2,5 часов.Начать бесплатно →