Os criminosos não obedecem às regras e muitas vezes adotam novas tecnologias para explorar as lacunas nos ambientes de controle. É por isso que eles conseguem obter lucros enormes com operações de fraude e lavagem de dinheiro. Em seus esforços para impedir a lavagem de dinheiro e outras atividades criminosas, muitas instituições financeiras, as verão limitadas as suas capacidades programáticas de combate à lavagem de dinheiro, isso por terem sistemas legados antiquados, muitos dos quais são exclusivamente baseados em regras.
A verdade sobre a lavagem de dinheiro
As atividades de lavagem de dinheiro prendem cerca de 40,3 milhões de pessoas na escravidão em todo o mundo, alimentam a corrupção política e financiam o terrorismo.
Valor estimado da lavagem de dinheiro global é de:
U$ $800 Bilhões/ano
até $ 2 Trilhões/ano
Considerando as consequências, não é de se admirar que os governos promulguem regulamentações antilavagem de dinheiro.
Esses regulamentos têm intenções honrosas e importantes, mas não há como negar as dores de cabeça da conformidade em constante evolução que eles criam para as instituições financeiras.
Além disso, apesar dessas regulamentações, a lavagem de dinheiro continua crescendo por causa da tecnologia. De acordo com as Nações Unidas sobre Drogas e Crime, os avanços na tecnologia e nas comunicações criaram um sistema global perpetuamente operacional no qual o dinheiro, que agora aparece de forma virtual ou digital, pode se mover em qualquer lugar do mundo com velocidade e facilidade. A quantidade estimada de dinheiro lavado globalmente em um ano é de 2 a 5% do PIB global, ou $800 bilhões a $2 trilhões em dólares americanos atuais.
O que pode ser feito? Como as instituições financeiras podem evitar as repercussões de soluções ineficazes de antilavagem de dinheiro e realmente ter impacto no combate ao crime financeiro? Além do mais, como os bancos podem fazer isso hoje, junto com os esquemas de crimes financeiros desconhecidos do futuro?
O Machine Learning é um bom começo.
Machine Learning: antilavagem de dinheiro para o hoje e para o amanhã
O machine learning é imprescindível nas soluções de ponta em antilavagem de dinheiro hoje e no futuro. Ele cria equipes mais eficientes e eficazes ao automatizar o enriquecimento de casos e a priorização para os investigadores. A automação diminui significativamente o número de falsos positivos gerados, o que significa que as equipes não perdem tempo com alertas sem sentido. Também permite um risk score mais preciso. De acordo com a ACAMS, “Em uma instância, um banco reduziu o tempo (alertas para o trabalho) de várias semanas para alguns segundos.”
Os sistemas de antilavagem de dinheiro legados tendem a fornecer alertas de alto volume e baixo valor porque funcionam em motores que apenas utilizam regras. Há uma quantidade avassaladora de falsos positivos em um sistema baseado em regras.
Dependendo do tamanho do banco, os analistas investigam cerca de 20 até 30 alertas falso-positivo por dia. A menos que você tenha recursos ilimitados para revisar alertas, você vai querer uma estratégia diferente. Têm sido aplicadas multas substanciais, e além das multas, há a atenção negativa que os meios de comunicação propagam ao acompanhar casos de lavagem de dinheiro. Por isso é importante que as instituições financeiras dediquem recursos para automatizar a prevenção à lavagem de dinheiro.
Dados
Os dados são processados - Entrada – Análises – Machine learning – Previsão/Analise – Saída – O Machine learning faz previsões e toma decisões com base em dados anteriores
Os programas antilavagem de dinheiro movidos por machine learning utilizam regras e modelos, não apenas regras. O uso de regras e modelos reduz drasticamente os falsos positivos, aumenta a eficiência operacional e requer menos manutenção.
Com investimento em soluções com machine learning, as instituições minimizam as chances de serem multados e torna mais difícil para os criminosos adivinharem os limites das regras.
Para ajudar a entender por que a execução de regras e modelos de machine learning juntos é tão eficaz, vamos discutir como regras e abordagens baseadas em modelos funcionam para programas antilavagem de dinheiro.
Como funcionam os mecanismos de risco.
Os mecanismos de risco baseados em regras funcionam usando um conjunto de condições matemáticas para determinar quais decisões tomar, funciona assim:
Se uma conta mostrar mais de U $10.000 em transações em dinheiro em 14 dias, acione um alerta.
Uma das vantagens significativas de usar um mecanismo avançado baseado em regras é que os analistas podem criar e implementar novas regras rapidamente. Observe que isso não é verdade para todos os sistemas, apenas os mais robustos e inovadores. A vantagem é uma regra clara com cálculos específicos, tornando mais fácil demonstrar aos reguladores por que e quando o sistema sinalizou o evento como atividade suspeita.
Mas as regras por si só não são suficientes porque têm muitas limitações. Muitas vezes, essas regras são complicadas demais para entender o contexto e ser mais profundas.
As regras também possuem limites fixos que os criminosos entendem e evitam propositalmente, apenas cenários SIM / NÃO, produzem muitos falsos positivos, exigem muito esforço manual para manter e têm problemas para detectar relacionamentos entre transações, entre outros problemas.
Como funcionam os mecanismos de risco de machine learning
O machine learning para antilavagem de dinheiro fortalece as regras com modelos, o que ajuda ainda mais a reduzir alertas de alto volume e baixo valor. Isso ocorre porque os modelos de machine learning são treinados com algoritmos baseados em dados históricos para prever o comportamento futuro. Os modelos funcionam assim:
As equipes de Data science alimentam o Machine Learning com grandes quantidades de dados históricos sobre casos conhecidos e suspeitos de lavagem de dinheiro.
Os algoritmos do Machine Learning usam os insights desses conjuntos de dados para criar modelos estatísticos, não regras determinísticas.
O machine learning aprende como era a lavagem de dinheiro no passado e, igualmente importante, como é o comportamento normal e anormal.
O machine learning prevê o risco de lavagem de dinheiro com base em casos de lavagem de dinheiro conhecidos e suspeitos ou referenciando casos que foram relatados ao regulador.
Um dos benefícios que o machine learning traz para a mesa é a capacidade de aprender e se adaptar continuamente.
É importante dizer: se você não pode fornecer dados de treinamento bons e rotulados para aprender, o machine learning não pode aprender. É por isso que é importante garantir que suas fontes de dados usem práticas de rotulagem adequadas.
Antes de começar com os modelos machine learning supervisionados, as instituições financeiras fariam bem em avaliar os possíveis impactos nos controles, processos operacionais e estrutura da equipe. Quando sua equipe se sentir confortável e confiante no desempenho do modelo supervisionado e os reguladores indicarem que estão satisfeitos com o desempenho dos controles atuais, sua organização poderá considerar a mudança para modelos de machine learning não supervisionados. Estes podem detectar comportamentos que são muito diferentes dos padrões normais. Ter um pequeno orçamento de alerta para esses incidentes l permite que as equipes explorem um conjunto completamente diferente de transações que, de outra forma, não seriam detectadas pelas regras.
Além disso, os modelos de machine learning levam tempo para aprender. Isso os torna mais lentos para implementar. Uma vez implantados, no entanto, as plataformas de machine learning mais recentes fornecem um ciclo de feedback integrado que permite que alguns algoritmos de modelo aprendam continuamente com novos dados (como aprendizado profundo). Mesmo que o aprendizado contínuo não seja possível e um retreinamento periódico seja necessário, os modelos capturam padrões bons e ruins melhor do que um conjunto de regras (ou um humano) jamais conseguiria. O resultado é que os criminosos têm mais dificuldade em enganar o sistema simplesmente alterando seu comportamento. Isso se traduz em menores investimentos em manutenção e monitoramento de tempo para acompanhar a evolução dos comportamentos no crime financeiro.
Portanto, embora leve um pouco mais de tempo para implantar, o machine learning compensa esse tempo fornecendo alertas mais precisos. Sem mencionar que o machine learning economiza para sua equipe de ciência de dados inúmeras horas que, de outra forma, gastariam construindo e ajustando milhares de regras.
Os criminosos estão sempre procurando explorar as brechas a seu favor. Em vez de acompanhar suas táticas mais recentes, os bancos têm a oportunidade de aprender seus truques em tempo real e revelar atividades ilícitas.
