Utiliser l’apprentissage en profondeur pour soutenir les efforts de lutte contre le blanchiment d’argent
24 novembre 2022
caractéristique
Visualisation UMAP des incorporations de transactions produites par LaundroGraph𝐺𝐴𝑇 pour 5 clients échantillonnés au hasard. Sur le graphique de gauche, les transactions sortantes sont représentées par un marqueur circulaire et les transactions entrantes sont représentées par un marqueur X. Les couleurs représentent les différents clients. Sur le graphique de droite, les transactions sont colorées en fonction de leur score d’anomalie, les couleurs plus foncées indiquant un score d’anomalie plus élevé. Crédit : Cardoso, Saleiro & Bizarro.
Ces dernières années, les techniques d’apprentissage en profondeur se sont révélées très utiles pour résoudre d’innombrables problèmes de recherche et du monde réel. Les chercheurs de Feedzai, une société de science des données financières basée au Portugal, ont démontré le potentiel de l’apprentissage en profondeur pour la prévention et la détection des activités illicites de blanchiment d’argent.
Dans un article présenté à la 3ème conférence internationale ACM sur l’IA en finance, l’équipe de Feedzai a présenté LaundroGraph, un modèle auto-supervisé qui pourrait simplifier le processus fastidieux d’examen de grandes quantités d’interactions financières à la recherche de transactions ou d’échanges monétaires suspects. Leur modèle est basé sur un réseau de neurones graphiques, un réseau de neurones artificiels (ANN) conçu pour traiter de manière autonome de grandes quantités de données pouvant être représentées sous forme de graphe.
« Voulant renforcer notre solution AML, et après avoir identifié les principaux problèmes liés au processus d’examen AML actuel, nous avons réfléchi à des solutions pour surmonter ces défis en utilisant l’IA », a déclaré Mario Cardoso, chercheur en données de recherche chez Feedzai, à TechXplore.
« L’AML est particulièrement difficile en raison de la rareté des étiquettes et du fait que le contexte entourant les mouvements financiers, en particulier les entités avec lesquelles interagissent et les propriétés de chaque transaction, sont cruciaux pour éclairer les décisions. Avec ces défis à l’esprit, nous avons cherché à créer une machine approche d’apprentissage qui peut soutenir les analystes humains et faciliter l’examen AML. »
L’examen des interactions financières à la recherche d’activités suspectes peut être une tâche très fastidieuse et chronophage pour les analystes humains. Cardoso et ses collègues ont entrepris de simplifier considérablement cette tâche en utilisant des techniques d’apprentissage en profondeur, qui sont connues pour être particulièrement efficaces pour analyser de grandes quantités de données.
LaundroGraph, le modèle qu’ils ont créé, peut coder les clients bancaires et les transactions financières, les transformant en représentations graphiques significatives. Ces représentations peuvent guider le travail des analystes anti-blanchiment, en mettant en évidence les mouvements d’argent anormaux pour des clients spécifiques sans qu’ils aient à consulter l’historique complet des transactions.
« LaundroGraph génère des représentations denses et contextuelles du comportement découplées de toute étiquette spécifique », a expliqué Cardoso. « Il le fait en exploitant à la fois les informations structurelles et les caractéristiques d’un graphique via une tâche de prédiction de lien entre les clients et les transactions. Nous définissons notre graphique comme un graphique bipartite client-transaction, que nous créons à l’aide des données brutes sur les mouvements financiers. »
Les chercheurs de Feedzai ont évalué leur modèle dans une série de tests, évaluant sa capacité à prédire les transferts suspects dans un ensemble de données de transactions réelles. Ils ont constaté que son pouvoir de prédiction était nettement supérieur à celui des autres méthodes de référence conçues pour soutenir les efforts de lutte contre le blanchiment d’argent.
« Étant donné qu’il ne nécessite aucune étiquette, LaundroGraph convient à une grande variété d’applications financières réelles qui pourraient bénéficier de données structurées en graphes », a déclaré Cardoso. « Notre article propose de tirer parti de ces intégrations pour fournir des informations susceptibles d’accélérer le processus d’examen de la détection AML, mais cette approche peut être étendue à d’autres cas d’utilisation (par exemple, la fraude) et les intégrations peuvent servir une grande variété d’objectifs au-delà des informations. nous analysons (par exemple, les enrichisseurs de fonctionnalités). »
À l’avenir, LaundroGraph pourrait aider les analystes financiers et les agents anti-blanchiment d’argent du monde entier à examiner de grandes quantités de transactions financières, en les aidant à identifier les activités anormales plus rapidement et plus efficacement. Cardoso et ses collègues envisagent maintenant de développer davantage leur modèle, tout en explorant également son potentiel pour résoudre d’autres problèmes financiers.
« Les orientations futures de notre recherche incluront l’expérimentation dans des cas d’utilisation supplémentaires, tels que la fraude, et la recherche d’autres informations/tâches qui peuvent être activées ou améliorées grâce aux intégrations, par exemple, en utilisant les intégrations comme point de départ informatif pour une étiquette. -prédictions rares en aval », a ajouté Cardoso.
