Алгоритмы работают на основе данных по нескольким банковским счетам. Они представлены в виде узлов на большом сложном графике, а программа устроена так, чтобы сосредоточиться на той части схемы, где можно обнаружить наиболее подозрительную активность.
Например, если у человека есть депозит в один миллион фунтов, алгоритм может отслеживать, куда переводится именно эта сумма денег — программа способна идентифицировать все комбинации связанных с ней транзакций, которые происходят, даже если деньги разделены между различными счетами и расходами.
В документе, опубликованном в материалах Международной конференции SIAM 2023 по интеллектуальному анализу данных, ведущие исследователи Хуэйпин Чен и Григориос Лукидес вместе с доктором Робертом Гвадерой и Солоном Писсисом сообщают, что новое программное обеспечение в три раза более эффективно, чем существующие методы поиска деятельности злоумышленников, а также оно может анализировать гораздо большие объемы данных.
Как отмывание денег обнаруживают сейчас?
Текущие методы обнаружения отмывания денег основаны на автоматических правилах или машинном обучении. Эти алгоритмы работают с помощью сигналов, указывающих на подозрительные сценарии транзакций, таких как обналичивание большого количества денег или переводы по определенной схеме в заранее заданных направлениях. Данные способы могут быть неэффективными или медленными в раскрытии преступлений, особенно с учетом того, что клиент банка может обходить систему с помощью «деления» крупных операций на множество мелких.
Оба существующих метода также требуют знания предметной области — например, банк должен был успешно определять отмывание в прошлом и использовать полученную информацию для обнаружения других злоумышленников. Если у организации нет таких данных, что может иметь место при использовании новых или развивающихся методов этого преступления, — точность определения будет значительно снижена.
Отмывание денег представляет собой серьезную глобальную проблему. Разработка более быстрого и эффективного подхода к обнаружению этой преступной деятельности сигнализирует о важном шаге в правильном направлении для обеспечения стабильной работы финансовых учреждений.
— Хуэйпин Чен, доктор философии, студент факультета информатики.
Зачем нужен новый метод обнаружения подозрительных операций и чем он лучше существующих?
По оценкам Управления ООН по наркотикам и преступности (УНП ООН), ежегодно отмывается от 2% до 5% мирового ВВП, то есть примерно от 632 миллиардов до более 1,5 триллионоа фунтов стерлингов.
Мы разработали оптимальный алгоритм, который может найти наилучшее возможное решение для обнаружения общих классификаций отмывания денег на миллионах объемов данных. Он примерно в 3,2 раза эффективнее, чем самые современные методы, используемые в настоящее время.
Наш инструмент также более автоматизирован относительно существующих и позволяет гораздо быстрее анализировать данные. Позволяя экспертам по обнаружению отмывания денег исследовать огромные объемы данных быстрее, чем когда-либо прежде, мы можем дать им возможность выявлять недобросовестных клиентов эффективно.
Сейчас мы работаем над дальнейшим улучшением этого программного обеспечения с целью обеспечить более высокую скорость обработки, чем у существующих подходов, но с еще большей точностью.
Наш инструмент также более автоматизирован относительно существующих и позволяет гораздо быстрее анализировать данные. Позволяя экспертам по обнаружению отмывания денег исследовать огромные объемы данных быстрее, чем когда-либо прежде, мы можем дать им возможность выявлять недобросовестных клиентов эффективно.
Сейчас мы работаем над дальнейшим улучшением этого программного обеспечения с целью обеспечить более высокую скорость обработки, чем у существующих подходов, но с еще большей точностью.
— доктор Лукидес.
Будущее программы
Программное обеспечение для нового инструмента имеет открытый исходный код и находится в свободном доступе. Поскольку его можно использовать с гораздо большими объемами данных, чем у традиционных методов определения отмывания денег, исследователи говорят, что алгоритм может анализировать поток информации в течение длительных периодов времени, фильтруя и подавая банку сигнал тревоги при обнаружении подозрительной активности.
Подход был протестирован на реальных данных анонимного чешского банка, а также на смоделированных случаях, основанных на прогнозах общих закономерностей и действий, присутствующих в ситуациях реального отмывания денег. В обоих вариантах алгоритмы смогли обнаружить все подозрительные закономерности в транзакциях.
Исследователи говорят, что новый инструмент также может быть использован вне финансовой деятельности. Так он, к примеру, поможет оптимизировать маркетинговые кампании, позволив ритейлерам находить и обнаруживать наиболее прибыльные наборы продуктов.
