Análise de gráficos — Potencializando o jogo contra a lavagem de dinheiro
Govind Gopinathan Nair, Gerente Técnico de Produtos, Crimes Financeiros e Conformidade | 24 de janeiro de 2022
A rápida adoção de pagamentos digitais e a proliferação de tecnologia expandiram o acesso a serviços financeiros globalmente e tornaram mais fácil e rápido movimentar dinheiro pelo mundo. Isso levou a um aumento explosivo no volume de atividades financeiras e dados que as acompanham. Esses grandes volumes de dados contêm sinais que podem permitir a detecção e a prevenção de crimes financeiros.
A maioria das soluções de combate à lavagem de dinheiro (AML) em uso hoje são sistemas de detecção de comportamento baseados em regras que não são projetados para identificar padrões complexos e suspeitos de atividades transacionais. Além disso, os sistemas de AML tradicionais geralmente usam bancos de dados relacionais; determinar relacionamentos e conexões entre entidades em tais bancos de dados relacionais pode ser desafiador. Essa é uma limitação importante que pode impedir esforços para detectar e investigar potenciais casos de lavagem de dinheiro.
Uma tecnologia em evolução que pode dar às instituições financeiras uma vantagem na luta contra crimes financeiros é a combinação de gráficos e análises. Gráficos e machine learning já estão sendo usados para criar gráficos de conhecimento que impulsionam recomendações e pesquisas em algumas das maiores empresas de tecnologia, para impulsionar pesquisas de ponta para solucionar o dobramento de proteínas e descobrir novos medicamentos. Da mesma forma, gráficos e análises podem ser uma ferramenta poderosa no kit de ferramentas de combate a crimes financeiros no setor financeiro.
Compreendendo a análise de gráficos
Em sua forma mais simples, um gráfico consiste em nós ou vértices que representam entidades conectadas por arestas que representam os relacionamentos entre essas entidades. Esses gráficos podem ser direcionados ou não, dependendo da natureza desses relacionamentos. Os gráficos são a maneira mais natural de capturar relacionamentos. Além disso, os gráficos de propriedades permitem que dados adicionais sobre nós e arestas sejam capturados como propriedades de nós e arestas.
Ferramentas modernas de análise de gráficos podem analisar os relacionamentos entre entidades, os atributos dessas entidades conforme capturados pelas propriedades dos nós e das arestas, e como eles evoluem ao longo do tempo. Linguagens de consulta de gráficos como PGQL podem permitir que usuários consultem padrões complexos com precisão. Além disso, redes neurais gráficas modernas podem aprender representações de tais gráficos que combinam a topologia e os relacionamentos dos gráficos junto com suas propriedades de nós e arestas. Dessa forma, a análise de gráficos está emergindo como a ferramenta preferida para avaliar relacionamentos, dependências complexas, ligações ocultas, redes e clusters.
Entidades financeiras, transações e relacionamentos podem ser representados naturalmente usando gráficos. A análise de gráficos possibilita que aplicações de AML identifiquem, consultem, analisem e visualizem relacionamentos; com base em transações, endereços compartilhados, números de telefone ou emails; entre entidades como clientes, contas, domicílios, etc. Assim, está rapidamente se tornando uma ferramenta procurada por analistas e profissionais de AML para extrair insights de dados de transações financeiras e entender relacionamentos complexos e não óbvios.
Aproveitando a análise de gráficos para combater a lavagem de dinheiro
A capacidade de analisar links e relacionamentos entre entidades torna a análise de gráficos a ferramenta ideal para AML. A análise de gráficos apresenta diversas oportunidades para combater a lavagem de dinheiro de forma inovadora. Ela pode melhorar a eficácia e a efetividade de um programa tradicional de combate à lavagem de dinheiro de várias maneiras. Vamos ver como.
1. Identificar entidades de maior risco
Algoritmos de classificação como centralidade de proximidade, de grau, de autovetor, etc., podem ser usados para classificar nós em um gráfico. Essas medidas capturam a importância de um nó para um gráfico ao longo de diferentes dimensões.
Por exemplo, a centralidade de grau demonstra o quão conectado cada nó está em um gráfico, enquanto a centralidade do autovetor mede o quão conectado um nó está a outros nós altamente conectados no gráfico. Essas medidas de centralidade podem determinar os nós mais significativos no gráfico financeiro.
Algoritmos de distribuição de graus são uma maneira fácil de analisar a estrutura de um gráfico. Por exemplo, em um gráfico de transações típico, entidades com o maior grau de vértice (número de vizinhos) geralmente são entidades comerciais. As instituições podem analisar as distribuições de graus de seus clientes e identificar valores atípicos com graus excepcionalmente altos, dado o perfil Essas entidades podem ser candidatas à devida diligência aprimorada ou à devida diligência contínua como parte do processo contínuo de conhecimento do cliente (KYC).
2. Detecção e monitoramento aprimorados
Linguagens de consulta de gráficos como PGQL permitem que os usuários escrevam consultas ou cenários que capturam padrões complexos de movimentação de fundos. Essas ferramentas possibilitam um monitoramento mais personalizado para padrões específicos de alto risco. Isso pode ser particularmente útil para identificar os proprietários beneficiários finais (UBO), em que esses UBOs estão inseridos em uma cadeia complexa de propriedade e transações.
Algoritmos podem ser usados para encontrar o caminho mais curto entre nós no gráfico não transacional (gráfico que considera apenas relacionamentos não transacionais). Se o caminho mais curto no gráfico de transações (considerando apenas os dados da transação) entre os mesmos nós for muito maior, isso pode indicar uma tentativa de sobreposição de fundos.
Redes neurais gráficas modernas também nos permitem aprender incorporações ou representações dos nós em um gráfico. As incorporações capturam a topologia, os relacionamentos e as propriedades de um nó. Essas incorporações também podem ser usadas em modelos posteriores, como pontuação de risco do cliente ou pontuação de eventos, que podem melhorar muito o desempenho dos modelos, reduzindo falsos positivos e falsos negativos. Explicadores de Redes Neurais Gráficas também estão disponíveis e podem abordar preocupações sobre a explicabilidade dessas incorporações.
3. Fornecer contexto e acelerar as investigações:
Sempre que um alerta é sinalizado, é importante que os analistas de AML determinem se esse é um incidente isolado ou interconectado. Em uma investigação tradicional de AML, seria difícil identificar a conectividade nos conjuntos de dados dispersos (clientes, contas, transações, etc.). No entanto, construir um gráfico para representar um caso permite visualizações e análises de gráficos, ajudando os investigadores a obter uma visão contextual da entidade examinada.
Técnicas modernas de aprendizado profundo de gráficos também nos permitem aprender incorporações para os casos e então revelar relatórios de atividades suspeitas (SAR) semelhantes que podem fornecer orientação útil aos investigadores.
4. Gráficos de conhecimento sobre crimes financeiros
Uma meta de longo prazo para instituições financeiras pode ser construir um gráfico de conhecimento sobre crimes financeiros. A combinação do processamento moderno de linguagem natural (PLN) e bancos de dados gráficos possibilitará que as instituições criem um único gráfico de crimes financeiros que capture todos os dados estruturados e não estruturados, internos e externos, sobre os clientes. Isso conduzirá a uma compreensão mais profunda dos clientes, o que será útil em várias funções, como KYC, investigações e até mesmo marketing.
Reunindo tudo
Essa é apenas uma amostra dos potenciais casos de uso que a análise de gráficos possibilita. As instituições podem experimentar alguns casos de uso mais simples antes de embarcar na adoção em larga escala.
A análise de gráficos pode capacitar cientistas de dados a identificar anomalias e padrões que podem melhorar a detecção, reduzir custos e proporcionar um tempo mais rápido para a conformidade com a AML. Também oferece recursos poderosos de visualização que podem melhorar significativamente a produtividade dos investigadores e ajudá-los a entender padrões complexos de atividades.
A implementação da análise de gráficos como parte do kit de ferramentas de combate à lavagem de dinheiro exigiria recursos qualificados, investimento e comprometimento; no entanto, os benefícios superam esses custos, pois a adoção da análise de gráficos pode turbinar os programas de conformidade de combate à lavagem de dinheiro em bancos e instituições financeiras.