سید بهنام حسینی، مدیر کل تطبیق و مبارزه با پولشویی به پرداخت ملت / حجم بالای تراکنشها، سرعت اجرا و تنوع روشهای پرداخت در شرکتهای خدمات پرداخت (PSP)نظارت دستی بر جرایم مالی را عملاً غیرممکن کرده است. سیستمهای سنتی مبارزه با پولشویی (AML) مبتنی بر قواعد ثابت، هر ساله حجم عظیمی از هشدارهای بیپایه تولید میکنند؛ این در حالیست که تا ۹۰ درصد هشدارها در سیستم کاذب بوده و منابع تیمهای انطباق را هدر میدهند.
این مقاله نقش هوش مصنوعی را در سه حوزه اصلی شناسایی مشتری الکترونیکی (e-KYC)پایش تراکنشها و غربالگری تحریمی بررسی میکند و نشان میدهد که گذار از رویکرد «تشخیص پس از وقوع» به «پیشبینی و پیشگیری فعال»، ضمن کاهش چشمگیر هشدارهای کاذب، انطباق را به جریانی مستمر تبدیل می کند. در پایان، چالشهای تفسیرپذیری مدلها (XAI)، سوگیری الگوریتمی و امنیت دادهها بررسی و نقشه راه عملی پیادهسازی برای شرکتهای PSP ارائه میشود.
صنعت پرداخت الکترونیک به دلیل حجم بالای تراکنشها، سرعت اجرای لحظهای و تنوع کانالهای پرداخت، به بستری جذاب برای پولشویان تبدیل شده است. گروه کاری اقدام مالی (FATF) در گزارش «فرصتها و چالشهای فناوریهای نوین برای AML/CFT»تصریح میکند که فناوریهای نوین هم فرصتهای تازهای برای مجرمان فراهم میآورند و هم ابزارهای قدرتمندی در اختیار نهادهای نظارتی و مؤسسات مالی میگذارند تا فعالیتی مؤثرتر و سریعتر در مبارزه با پولشویی داشته باشند.
پارادایم غالب در سیستمهای AML سنتی، «قانونمحور» است: قواعدی ثابت مانند علامتگذاری تراکنشهای بالاتر از یک آستانه مشخص. این قواعد نمیتوانند جزئیات و تغییرات رفتار عادی مشتری را درک کنند؛ برای نمونه، رشد فصلی فروش یک کسبوکار ممکن است به اشتباه به عنوان فعالیت مشکوک علامتگذاری شود.
نتیجه، انباشت هشدارهای بیکیفیت و کاهش توان واقعی تیمهای انطباق است. هدف این مقاله، بررسی چگونگی به کارگیری هوشمصنوعی برای گذار از رویکرد واکنشی به رویکرد پیشبینانه و فعال، و ترسیم مسیر عملی پیادهسازی آن در شرکتهای خدمات پرداخت الکترونیکی است.
شناسایی مشتری الکترونیکی پیشرفته (e-KYC)
الگوریتمهای یادگیری ماشین با ترکیب دادههای بیومتریک و تحلیل رفتاری، فرایند احراز هویت را از یک کنترل ایستا به یک ارزیابی پویا تبدیل میکنند. این مدلها قادرند «هویتهای مصنوعی» و رفتار رباتها را در فرایند ثبتنام تشخیص دهند و امتیاز ریسک مشتری را نه صرفاً بر اساس اطلاعات ثابت بلکه بر مبنای رفتار لحظهای بهروزرسانی کنند. استفاده از فناوریهای نوین برای تسریع و بهبود فرایندهای شناسایی مشتری را یکی از کاربردهای اصلی فناوری در AML برشمرده میشود.
پایش تراکنشها و کاهش هشدارهای کاذب، بزرگترین دردسر واحدهای AML هشدارهای اشتباه سیستمهای قاعدهمحور است. تجربه و آمار نشان میدهد حدود ۹۰درصد هشدارهای سیستمهای سنتی کاذباند و اعضای تیمهای نظارت حدود یکسوم زمان کاری خود را صرف بررسی رخدادهایی میکنند که هیچ تهدید واقعی ندارند.
مدلهای یادگیری ماشین با تحلیل الگوهای پیچیده و «زمینه» تراکنش، شامل تاریخچه مشتری، موقعیت جغرافیایی و روابط کاری، بهجای حساسیت صرف به مبالغ، دقت شناسایی را بهطور معنادار افزایش میدهند.
تحلیل شبکه و شناسایی پولشویها: یادگیری عمیق و تحلیل شبکه (Analysis Network) امکان کشف شبکههای پولشویی خرد (Mules Money) را فراهم میکنند؛ الگویی که در سیستمهای قاعدهمحور به سختی قابل ردیابی است، زیرا هیچ تراکنش منفردی از آستانههای هشدار عبور نمیکند.
غربالگری لیستهای تحریمی
پردازش زبان طبیعی (NLP) تطبیق هوشمند نامها با لیستهای تحریمی و شناسایی «اشخاص در معرض ریسک سیاسی» (PEP) را ممکن میسازد؛ این مدلها با درک شباهتهای آوایی و نوشتاری در زبانهای مختلف، هم نرخ خطای تطبیق را کاهش میدهند و هم پوشش غربالگری را به منابع خبری و غیرساختاری گسترش میدهند.
هوش مصنوعی بهجای جایگزینی تحلیلگران، در نقش «دستیار تحلیلگر» عمل میکند: پروندهها را بر اساس ریسک اولویتبندی میکند، مستندات لازم را برای تصمیمگیری مدیر انطباق آماده میسازد و با یکپارچهسازی دادههای چند سامانه، دید واحدی از هشدارها در اختیار تیم قرار میدهد. این امر بار کاری دستی را کاهش داده و تمرکز تیم را به پروندههای با ریسک واقعی منتقل میکند.
در حوزه گزارشدهی، خودکارسازی آمادهسازی گزارش تراکنشهای مشکوک (STR) برای نهاد نظارتی، خطای انسانی را به حداقل میرساند و سرعت پاسخ به الزامات رگولاتوری را افزایش میدهد.
نتیجه راهبردی این تحول، تبدیل انطباق از یک فعالیت «دورهای» به یک جریان «مداوم و لحظهای» است؛ وضعیتی که بخشی از چشمانداز آینده نظارت مبتنی بر فناوری برای شرکتهای PSP خواهد بود؛ این یعنی کاهش هزینههای عملیاتی بخش انطباق و در عین حال کاهش ریسک حقوقی و اعتباری.