Современная финансовая система сталкивается с беспрецедентным ростом объемов транзакций и усложнением методов отмывания денег, что делает традиционные методы комплаенса недостаточно эффективными. Питер Казинс (Peter Cousins), технический директор компании WorkFusion, в интервью Крейгу Смиту на подкасте Eye on AI рассказывает, как гибридный подход, сочетающий классическое машинное обучение и генеративный ИИ, позволяет создавать «цифровых сотрудников» для борьбы с финансовыми преступлениями и обхода санкций.
🤖 Роль генеративного ИИ в финансовом комплаенсе 0:00
По мнению Питера Казинса, генеративный ИИ (GenAI) в финансовом секторе сегодня чаще всего используется для повышения продуктивной эффективности в бэк-офисах или HR-функциях, однако его внедрение в процессы обнаружения мошенничества и комплаенса происходит осторожнее . Это связано с тем, что «мидл-офисы» финансовых учреждений не могут позволить себе ошибок и часто готовы пожертвовать уровнем автоматизации ради точности и предсказуемости .
Основные тезисы использования GenAI от Питера Казинса:
- Гибридная модель (Триада): Эффективнее всего GenAI работает в связке с классическим ИИ и человеком. Казинс называет это «панельной моделью» принятия решений .
- Экономика технологий: Классические методы ИИ (например, NLP) в тысячу раз дешевле и в тысячу раз быстрее, чем генеративные модели .
- Решение спорных моментов: GenAI выступает в роли «второй пары глаз» для классического ИИ, когда тот находится на «границе уверенности» (confidence bubble) . В таких случаях GenAI помогает принять окончательное решение («tiebreaker»), прежде чем привлекать человека .
💼 Цифровые сотрудники: от инструментов к агентам 4:28
В WorkFusion под термином «цифровой сотрудник» понимают не просто инструмент, а программного агента, способного выполнить полный рабочий процесс от начала до конца .
Ключевые обязанности цифрового сотрудника:
- Сбор данных из различных источников (включая неструктурированные документы).
- Анализ и манипуляция данными в соответствии с правилами и стандартами .
- Вынесение решений или подготовка рекомендаций.
- Создание обоснования: Генерация понятного нарратива (narrative report), который могут прочитать коллеги, руководство или регуляторы. Казинс подчеркивает, что «объяснимость» (explainability) в ИИ критически важна: система должна показать, на основе какого конкретного факта или пассажа в документе было принято решение .
📑 Сценарий использования: Санкционный скрининг 6:17
Конфликт в Украине вызвал резкий рост санкционных списков, что создало колоссальную нагрузку на банки . Основная проблема здесь — огромное количество ложных срабатываний (false positives). Системы оповещения верхнего уровня имеют всего миллисекунды на принятие решения и вынуждены «закидывать максимально широкую сеть», создавая эффект иголки в стоге сена .
Питер Казинс приводит примеры типичных ошибок, которые цифровой сотрудник отсеивает автоматически:
- Омонимия и контекст: Если название санкционной компании совпадает с названием улицы в адресе обычного клиента, ИИ понимает, что это адрес, а не юридическое лицо, и закрывает уведомление без участия человека .
- Стоп-слова: Анализ слов-шумов (Bank, LLC, Corp) помогает отсеять совпадения, которые не имеют веса для идентификации .
- Исследовательская работа: Если простых признаков недостаточно, цифровой сотрудник инициирует «цифровую погоню за бумагами»: просматривает платные источники (Thomson Reuters, LexisNexis) и открытый интернет (Google), собирая досье для окончательного решения человека .
🔍 Проверка бенефициаров и «враждебные медиа» 10:25
Важной частью работы является анализ UBO (Ultimate Beneficial Ownership) — выявление конечных бенефициаров, которые реально «дергают за ниточки» . Кроме того, банки используют анализ Adverse Media (негативной информации в СМИ), чтобы найти «грязь» на потенциального клиента или партнера .
Трудности анализа СМИ, которые решает ИИ:
- Сложные связи: GenAI лучше классического NLP справляется с транзитивными ссылками, личными местоимениями и скрытыми намеками в длинных текстах .
- Контекст вовлеченности: ИИ должен различать, является ли субъект преступником или жертвой в новостной статье, а также оценивать серьезность правонарушения (например, арест на политическом протесте не всегда является дисквалифицирующим фактором для банка) .
🛠 Технологический стек и проблема галлюцинаций 11:59
Для предотвращения галлюцинаций WorkFusion использует GenAI в основном для разметки данных (labeling) в режиме zero-shot. Люди проверяют эту разметку, и только затем эти данные используются для обучения классических моделей ИИ, которые выполняют основную работу в реальном времени .
По словам Казинса, платформа WorkAI построена на принципах гибкости:
- Модели: Поддерживаются Azure OpenAI (GPT-4), Google (Palm, Gemini) и Amazon . Для консервативных клиентов, требующих полной приватности, используется модель Mistral, развернутая внутри защищенного контура .
- Оркестрация: Для переключения между моделями используется библиотека LangChain .
- Интерфейс: Благодаря GenAI пользователи могут создавать правила комплаенса на естественном языке (например: «Эскалировать все платежи свыше $1 млн в радиусе 250 миль от границы России»), которые система преобразует в структурированный код .
🏦 KYС: От периодических проверок к «вечному» мониторингу 25:56
Традиционный процесс «Знай своего клиента» (KYC) часто сводится к формальной проверке раз в несколько лет. Казинс критикует этот подход, указывая на громкие провалы в попытках внедрить pKYC (Perpetual KYC — вечный KYC) . Основная причина неудач заключалась в том, что банки научились собирать сигналы о проблемах, но не имели мощностей для их обработки, создавая огромные «залежи» необработанных кейсов.
По утверждению CTO WorkFusion, их решение позволяет:
- Снимать с повестки до 80% низкорисковых сигналов и сущностей с помощью автоматического анализа .
- Интегрироваться с Thompson Reuters для событийного мониторинга: система анализирует только то, что изменилось за последние 8–24 часа, вместо перепроверки всей базы .
- Выявлять связи с наркокартелями или российскими олигархами, которые используют британские паспорта при открытии счетов .
🛡 Безопасность и регуляторные риски 36:21
Казинс признает, что финансовые институты крайне осторожны. Ни одна система ИИ не идет сразу «в бой». Процесс внедрения включает:
- UAT (User Acceptance Testing): Длительное тестирование пользователями .
- Копайлотинг: ИИ принимает решения параллельно с человеком, пока статистика не подтвердит его надежность .
- Модельный риск-менеджмент: Подготовка детальных отчетов для регуляторов, объясняющих логику работы алгоритмов .
В завершение Казинс отмечает, что борьба с финансовыми преступлениями — это «гонка вооружений». Преступники также используют ИИ для сокрытия своих следов, поэтому банкам необходимо оставаться на шаг впереди . Хотя ИИ делает работу санкционных субъектов в мейнстримной финансовой системе все более сложной, технологии остаются «обоюдоострым мечом» .
