Utiliser l’apprentissage en profondeur pour soutenir les efforts de lutte contre le blanchiment d’argent
24 novembre 2022
caractéristique
Ces derniĂšres annĂ©es, les techniques d’apprentissage en profondeur se sont rĂ©vĂ©lĂ©es trĂšs utiles pour rĂ©soudre d’innombrables problĂšmes de recherche et du monde rĂ©el. Les chercheurs de Feedzai, une sociĂ©tĂ© de science des donnĂ©es financiĂšres basĂ©e au Portugal, ont dĂ©montrĂ© le potentiel de l’apprentissage en profondeur pour la prĂ©vention et la dĂ©tection des activitĂ©s illicites de blanchiment d’argent.
Dans un article prĂ©sentĂ© Ă la 3Ăšme confĂ©rence internationale ACM sur l’IA en finance, l’Ă©quipe de Feedzai a prĂ©sentĂ© LaundroGraph, un modĂšle auto-supervisĂ© qui pourrait simplifier le processus fastidieux d’examen de grandes quantitĂ©s d’interactions financiĂšres Ă la recherche de transactions ou d’Ă©changes monĂ©taires suspects. Leur modĂšle est basĂ© sur un rĂ©seau de neurones graphiques, un rĂ©seau de neurones artificiels (ANN) conçu pour traiter de maniĂšre autonome de grandes quantitĂ©s de donnĂ©es pouvant ĂȘtre reprĂ©sentĂ©es sous forme de graphe.
« Voulant renforcer notre solution AML, et aprĂšs avoir identifiĂ© les principaux problĂšmes liĂ©s au processus d’examen AML actuel, nous avons rĂ©flĂ©chi Ă des solutions pour surmonter ces dĂ©fis en utilisant l’IA », a dĂ©clarĂ© Mario Cardoso, chercheur en donnĂ©es de recherche chez Feedzai, Ă TechXplore.
« L’AML est particuliĂšrement difficile en raison de la raretĂ© des Ă©tiquettes et du fait que le contexte entourant les mouvements financiers, en particulier les entitĂ©s avec lesquelles interagissent et les propriĂ©tĂ©s de chaque transaction, sont cruciaux pour Ă©clairer les dĂ©cisions. Avec ces dĂ©fis Ă l’esprit, nous avons cherchĂ© Ă crĂ©er une machine approche d’apprentissage qui peut soutenir les analystes humains et faciliter l’examen AML. »
L’examen des interactions financiĂšres Ă la recherche d’activitĂ©s suspectes peut ĂȘtre une tĂąche trĂšs fastidieuse et chronophage pour les analystes humains. Cardoso et ses collĂšgues ont entrepris de simplifier considĂ©rablement cette tĂąche en utilisant des techniques d’apprentissage en profondeur, qui sont connues pour ĂȘtre particuliĂšrement efficaces pour analyser de grandes quantitĂ©s de donnĂ©es.
LaundroGraph, le modĂšle qu’ils ont crĂ©Ă©, peut coder les clients bancaires et les transactions financiĂšres, les transformant en reprĂ©sentations graphiques significatives. Ces reprĂ©sentations peuvent guider le travail des analystes anti-blanchiment, en mettant en Ă©vidence les mouvements d’argent anormaux pour des clients spĂ©cifiques sans qu’ils aient Ă consulter l’historique complet des transactions.
« LaundroGraph gĂ©nĂšre des reprĂ©sentations denses et contextuelles du comportement dĂ©couplĂ©es de toute Ă©tiquette spĂ©cifique », a expliquĂ© Cardoso. « Il le fait en exploitant Ă la fois les informations structurelles et les caractĂ©ristiques d’un graphique via une tĂąche de prĂ©diction de lien entre les clients et les transactions. Nous dĂ©finissons notre graphique comme un graphique bipartite client-transaction, que nous crĂ©ons Ă l’aide des donnĂ©es brutes sur les mouvements financiers. »
Les chercheurs de Feedzai ont Ă©valuĂ© leur modĂšle dans une sĂ©rie de tests, Ă©valuant sa capacitĂ© Ă prĂ©dire les transferts suspects dans un ensemble de donnĂ©es de transactions rĂ©elles. Ils ont constatĂ© que son pouvoir de prĂ©diction Ă©tait nettement supĂ©rieur Ă celui des autres mĂ©thodes de rĂ©fĂ©rence conçues pour soutenir les efforts de lutte contre le blanchiment d’argent.
« Ătant donnĂ© qu’il ne nĂ©cessite aucune Ă©tiquette, LaundroGraph convient Ă une grande variĂ©tĂ© d’applications financiĂšres rĂ©elles qui pourraient bĂ©nĂ©ficier de donnĂ©es structurĂ©es en graphes », a dĂ©clarĂ© Cardoso. « Notre article propose de tirer parti de ces intĂ©grations pour fournir des informations susceptibles d’accĂ©lĂ©rer le processus d’examen de la dĂ©tection AML, mais cette approche peut ĂȘtre Ă©tendue Ă d’autres cas d’utilisation (par exemple, la fraude) et les intĂ©grations peuvent servir une grande variĂ©tĂ© d’objectifs au-delĂ des informations. nous analysons (par exemple, les enrichisseurs de fonctionnalitĂ©s). »
Ă l’avenir, LaundroGraph pourrait aider les analystes financiers et les agents anti-blanchiment d’argent du monde entier Ă examiner de grandes quantitĂ©s de transactions financiĂšres, en les aidant Ă identifier les activitĂ©s anormales plus rapidement et plus efficacement. Cardoso et ses collĂšgues envisagent maintenant de dĂ©velopper davantage leur modĂšle, tout en explorant Ă©galement son potentiel pour rĂ©soudre d’autres problĂšmes financiers.
« Les orientations futures de notre recherche incluront l’expĂ©rimentation dans des cas d’utilisation supplĂ©mentaires, tels que la fraude, et la recherche d’autres informations/tĂąches qui peuvent ĂȘtre activĂ©es ou amĂ©liorĂ©es grĂące aux intĂ©grations, par exemple, en utilisant les intĂ©grations comme point de dĂ©part informatif pour une Ă©tiquette. -prĂ©dictions rares en aval », a ajoutĂ© Cardoso.