反洗钱 AI 详解

洗钱是指个人或犯罪集团通过各种手段将非法活动所得注入全球金融体系，使其看似为合法收入的行为。美国银行每年投入约 250 亿美元用于打击洗钱流程，而 2023 年全球范围内因未能有效防范洗钱活动对银行的罚款总额超过 60 亿美元。

犯罪分子规避监管的手段日益高明，而银行却难以准确识别真正的洗钱行为，因为大部分由监控系统发出的警报，实际上都与良性交易有关。这些误报浪费了大量的人力和资金。

如今，金融机构正逐步采用更先进的 AI 驱动反洗钱 (AML) 软件，以补充甚至是取代基于预设规则的传统系统。这类 AI 软件能够更好地在人员与企业之间的交易和关系中发现隐藏模式，更全面地筛查可疑活动，并能更有效地按照客户的洗钱风险对其进行评分。这将有助于减少误报，增强对不法分子的防范能力，降低违规罚款风险，同时降低合规成本。

什么是 AI？

人工智能 (AI) 是一组统计技术，可让计算机根据从海量数据中学习到的模式，发现各种关系、进行推理并预测各种情景。金融服务公司正在利用 AI 技术实现后台流程自动化，包括打击信用卡欺诈、个性化产品优惠、向销售团队提供推荐方案以及打击洗钱犯罪。

什么是反洗钱 AI？

传统基于规则的系统通过预设编程模式来识别可疑交易或犯罪活动的预警信号，如今正逐渐被能够识别洗钱行为特征的 AI 系统所取代。从历史上看，反洗钱软件主要通过识别可能表明犯罪活动的警示信号以及补充信息来进行风险评估，例如银行客户是否出现在国际制裁名单上、银行存款金额是否刚好低于需要向政府报告的阈值，或账户中转出的金额与近期存入的金额相似。

但问题在于，犯罪分子会不断变换策略，将非法所得汇入看似合法的金融交易中。除了设立空壳公司，使所有权难以追踪，他们还会投资于主要以现金交易为主的现有公司，然后虚报收入。犯罪分子也会将现金拆分为小额资金，存入多家金融机构，再通过监管宽松的国家或地区转移资金。这导致传统反洗钱方法往往效果不佳，产生大量误报，银行每年因此耗费的成本高达数千万美元。

基于 AI 的系统则能够识别人际网络中隐藏的交易模式，将行为与某一机构或其同行的历史常见行为进行对比，根据客户的过往活动及“了解您的客户”(KYC) 信息进行风险评估，以及对事件进行分类，以终止低风险的调查。给我那句AI 芯片制造商 NVIDIA 的研究显示，交易欺诈检测、供应商电子支付反欺诈、反洗钱和了解您的客户均属于金融服务领域排名前五的 AI 应用场景。

关键要点

• AI 可以通过检测客户行为中更细粒度地识别客户行为变化，及时适应新兴风险，从而降低合规成本。
• 该类软件通过发现先前难以察觉的风险点，并减少需要反洗钱团队调查的误报数量，有效助力打击洗钱行为。
• 银行向监管机构提交与合法可疑交易相关的报告数量基本保持不变。
• 低效流程代价高昂，全球因未能有效遏制洗钱而被处以的监管罚款金额正持续增加。

反洗钱 AI 详解

银行面临着巨大的压力，不仅要打击日益复杂的洗钱手段，避免高额罚款，同时还要控制合规成本。McKinsey (McKinsey & Company) 报告显示，通过用基于 AI 的反洗钱应用替代基于规则的软件工具，银行可以将可疑活动的识别能力提高多达 40%，同时大量减少误报数量。

AI 的其中一种应用方式是利用机器学习对客户进行评分，以预测客户实施金融犯罪的倾向。反洗钱应用也使用无监督学习，在这种学习模式中，机器学习系统无需借助标记好的示例，而是从原始数据中发现关系，从而识别不断变化的客户行为并更精准地捕获风险。AI 系统可纳入预期行为模型，可标记偏离预期的情况，以此替代固定规则。基于 AI 的反洗钱工具还可以对基于规则的场景事件进行分级处理，自动终止低风险调查或降低优先级。

反洗钱 AI 的工作原理

当企业或个人想要开设银行账户时，银行需要进行风险评估，包括询问潜在客户有关其工作、居住地点、收入来源以及他们计划如何转移资金等问题。银行还会确认潜在客户是否在国际制裁名单上，受限人员不得进行资金转移。银行还需要判断申请人是否属于“政治公众人物”（即政界人士、其亲属或密切关联人），这类客户需接受更严格的审查。然后，银行会开展 KYC 流程，并对申请人的洗钱或欺诈风险进行评分。

问题在于，部分信息的真实性取决于客户是否如实回答，因此金融机构还需要通过自动化方式来核查客户的实际银行业务活动是否预期声明的意图存在偏差。传统的反洗钱管控措施会审查交易数据，包括资金的国际流动情况、是否有相似金额在账户间快速流转、客户是否将大额资金拆分成多笔小额交易等。犯罪分子常会将资金转移至那些反洗钱法规比其居住地更宽松的国家或地区的账户中。另一个难题是，这些行为有时也可能出于正常原因。

基于 AI 的系统更擅长分析数据，可以发现仅靠人类分析师和风险管控人员无法识别的模式。这类软件可以通过行为风险评分来预测某客户的犯罪倾向，运行预测模型以判断一级调查是否可安全终止而无需上报给更专业的团队，还能模拟洗钱行为，以评估监控系统的有效性。这有助于减少不涉及实际洗钱活动的警报数量，从而降低合规成本。生成式 AI 技术还能帮助银行总结初步风险评估结果，并草拟可疑活动报告以提交给执法部门。

反洗钱领域常用的 AI 技术包括深度强化学习、生成对抗网络 (GAN) 和图神经网络 (GNN)。GAN 能从训练数据的洗钱案例中进行归纳，从而在犯罪分子调整洗钱手段时识别出新的模式。GNN 则能够分析训练过程中学到的个人与实体之间的关联，包括此前未识别的关联，帮助银行识别多主体参与的团伙洗钱行为。深度强化学习可以通过引导系统种正确决策中获取积极反馈来教会 AI 模型识别数据点之间的新关联。然后，模型便能根据不断变化的策略调整交易监控方式。

基于 AI 的反洗钱系统能够在运行过程中不断学习。例如，如果 AI 发现某些具有共同特征的交易几乎不可能涉及洗钱，系统可以建议调整主控系统规则，以便在未来出现类似交易时可以自动通过审核。

Bank of England 2022 年一份关于 AI 的报告指出：“AI 之所以重要，其中一个原因是它能够支持新的应用场景。”例如，解决合成身份欺诈问题，即犯罪分子“利用真实的数据碎片拼凑出来的（身份）……可能难以被人类分析师识别”。AI 反洗钱系统还可以利用无监督神经网络，广泛分析电脑 IP、行为模式等多种数据源，以生成警报。

反洗钱 AI 的优势

传统的反洗钱系统需要进行调整以优化对潜在风险活动的敏感度。预警过少，容易遗漏犯罪行为，招致监管关注和处罚；预警过多，则会让合规团队应接不暇，必须逐一审查每个标记并做出判断。事实证明，AI 系统生成的可疑活动报告 (SAR) 与传统系统几乎相同，但误报数量大幅减少。下文将详细介绍这些 AI 系统及其他 AI 的优势。

• 提高风险检测准确性：AI 技术能够处理并整合大量结构化与非结构化数据，通过学习行为模式和检测异常情况，显著提高风险检测的准确性。神经网络可以识别与训练过的模式相似的情况并给出推荐方案，让犯罪团伙难以通过微调作案手段来规避已知规则。
• 降低运营成本：基于 AI 的 AML 系统能够减少需合规团队调查的误报数量，进而降低运营成本。每个警报都会触发一级调查，消耗员工的时间。其中，90% 至 95% 的警报会在进入更高级别（如二级调查或向监管机构提交 SAR）之前终止调查。
• 改善合规和治理：银行合规部门、IT 团队及业务部门正面临不断变化的反洗钱法规压力和全球性规则的缺失（尽管部分规则已开始趋向统一）。美国和英国等地的一些监管机构正在鼓励银行在反洗钱系统中采用 AI。金融机构也正在利用 AI 和机器学习技术进行风险识别测试。AI 还有助于减少因洗钱活动漏检而引发的监管风险。

AI 在反洗钱领域的局限性

如果银行缺乏足够高质量的数据来训练模型以持续输出准确的结果，那么利用 AI 来打击洗钱的效果就会大打折扣。银行还需确保拥有合适的人才来训练、微调并维护 AI 模型，同时在系统设计阶段就要充分考虑到客户的数据隐私。此外，AI 系统可能存在不透明性，有时很难解释生成式 AI 系统的判断过程。麦肯锡建议，银行在开发基于 AI 的反洗钱系统前，应提前与监管机构沟通。下文将详细介绍这些 AI 系统及其他 AI 的局限性。

• 数据质量和可用性：不完整或不准确的数据会影响 AI 模型的性能。模型训练需要足够多的高质量示例，部署后才能准确识别可疑交易。若银行的数据有限，尤其是缺乏真实洗钱案例，可能需要考虑其他方法。
  
• 监管和合规挑战：不断变化、有时模糊且不一致的反洗钱法规，给银行合规部门、IT 部门与业务部门带来巨大压力。例如，全球反洗钱标准制定机构 Financial Action Task Force (FATF) 的建议，在为监管当局提供指导方面留下了很大的解释空间。摩根大通首席执行官 Jamie Dimon 曾呼吁简化和完善反洗钱要求。目前，相关规则正开始趋向统一。2024 年，欧盟在法兰克福设立了新的反洗钱机构，其规则适用于整个欧盟范围内的企业，无需转化为各国本地法律。
  
• 运营和技术问题：大多数银行还需应对系统集成难题，因为主机和其他遗留系统中的数据通常难以直接供 AI 处理。麦肯锡指出，银行在维护高质量的客户数据方面也面临挑战，特别是部分老客户的历史信息可能以非标准格式存储，甚至采用了纸质文档。
  
• 误报和漏报：误报率（即软件将无害交易误判为洗钱嫌疑）的实际比例可高达 95%。尽管如此，银行仍需逐一核查，这一过程既耗费成本又耗时。反之，漏报（即受制裁主体的交易或真实洗钱活动未被识别）则可能导致监管处罚及声誉受损。
  
• 对犯罪手段适应性和演进的应对不足：洗钱犯罪分子是狡猾的对手，他们会不断更新手段以逃避检测。一旦不法分子摸清了检测洗钱活动的规则，就会对自身行为稍作调整以规避监管。
  
• 隐私顾虑：银行在设计基于 AI 的反洗钱系统时，必须考虑到隐私层面的问题。银行掌握大量客户数据（包括个人信息），因此这些信息的使用权限必须结合具体情况进行审慎评估。

反洗钱 AI 的使用场景

银行在客户开户、账户活动监控及向监管机构报告可疑行为等环节均应用了 AI 驱动的反洗钱技术。相关软件能够从潜在行为模式中构建行为特征档案，从而更好地进行交易分类、筛查文档与新闻以识别高风险客户、加速合规报告撰写等，因此提高流程效率和准确性。

• 交易监控：AI 模型主要通过两种方式监控交易中的非法活动。
  • 模式识别：AI 可通过训练数据学习，识别规避传统规则型反洗钱系统的交易模式。例如，检测将大额资金拆分为小额转账的“结构化交易”，或通过分析大量数据识别用于洗钱的空壳公司。AI 还能够建模客户的预期行为以及可能表明犯罪活动的行为偏差，从而取代准确性有限的规则型系统。
  • 实时监控：随着数字支付加速发展，业界对能够快速甚至是实时处理大规模数据的 AI 驱动反洗钱系统需求大增。美国货币监理署代理署长 Michael Hsu 曾在其 2024 年 1 月的演讲中指出，更快的数字支付导致欺诈行为更迅速，银行必须为“更实时的金融系统装上合适的刹车装置”。
• 客户尽职调查 (CDD) 和了解您的客户 (KYC)：银行可借助 AI 自动化线上开户流程，提高 KYC 流程的速度与准确性，包括数字身份验证和证件扫描。通过对交易的持续监控，银行能够分析比定期审查更多的数据，从而更精准地识别高风险客户。
  • 自动化开户：通过扫描身份证件进行线上验证，并应用 AI 技术评估真伪，显著提升开户流程的速度和准确性。
  • 持续监控：鉴于客户行为及全球政治环境随时间变化，例如全球选举结果可能改变某个人是否是政治公众人物，金融机构正在采用 AI 工具持续核查交易、实际受益人、制裁名单及媒体报道。持续监控可检查自银行上次评估以来客户行为风险是否提高。
• 可疑活动报告 (SAR)：银行需向监管机构递交 SAR，以标记涉嫌洗钱或恐怖融资的案例。
  • 自动报告工具：生成式 AI 驱动的自动报告工具的 SAR 生成效率远超纯人工的效率。
  • 提高报告准确性：许多 SAR 存在叙事模糊或信息遗漏的问题，生成式 AI 不仅可改善这些情况，还可生成后续行动清单。
• 制裁筛查：国际制裁名单频繁更新，加之在不同国家和语言间匹配企业实体时，人名或公司名称存在多种变体问题，可能让传统反洗钱系统不堪重负。
  • 自动化筛选：通过 AI 自动化筛查，能够从非结构化文档中提取和分类信息，找到风险术语的同义词，并排除拼写相似但含义不同的术语。
  • 减少误报：其结果可能是减少误报，从而减少分析师耗时的审查工作，降低成本。
• 增强型分析和可视化：数据可视化技术（如个人与实体关系图谱）有助于非技术背景的业务用户直观了解风险变化以及可疑洗钱案例的地理分布。
  • 数据可视化：除了关系图外，AI 技术还能帮助分析师在地图上定位非法活动的地点，并通过仪表盘查看更详细的数据，实现更快速、更高效的决策。
  • 仪表盘报告：展示关键绩效指标 (KPI) 的相关数据和进展，包括受监控交易、已生成的警报、已提交的 SAR、已开启和关闭的案件调查等。
• 监管合规性：AI 工具可帮助金融机构及时了解并适应监管更新，包括生成可审计的文档材料。
  • 监管更新：随着洗钱和 KYC 罚款增加，以及新监管机构的设立，相关技术的需求也在不断提高。这些技术可以帮助银行掌握不断变化的规则，通过自动化流程替代或补充人工流程，降低被罚款的可能性。
  • 审计跟踪：AI 软件还能生成详细的审计追踪，记录反洗钱决策过程，并协助编写审计日志，记录相关活动和数据访问情况。
• 案例管理：工作流自动化和协作工具可通过警报优先级排序、推荐行动方案及自动化报告等方式，助力反洗钱合规工作。相关软件可追踪警报并提供可显示可疑活动的仪表盘。
  • 工作流程自动化。毕马威 (KPMG) 咨询公司指出，金融机构借助金融犯罪领域的工作流自动化工具，平均可节省四分之一的年度合规成本。AI 工具还能通过将监管变化融入开户流程中，确保 KYC 流程持续符合新要求。
  • 协作工具：案例管理软件通过提供集中的合规存储库，帮助各部门协调工作。
• 欺诈检测和防范：银行发现洗钱行为后仍有时间阻止其发生，但理想情况下，欺诈活动应在交易完成前被拦截，以避免损失。AI 系统采用自适应学习，有助于交易筛查。毕马威指出，AI 模型还提供全面的客户视图，让银行能够查看涉及反洗钱、欺诈以及贿赂和腐败相关制裁的调查和报告。
  • 集成的欺诈和反洗钱解决方案：通过将反欺诈和反洗钱技术集成到一个软件包中，有利于反欺诈和反洗钱团队收集和共享相关客户数据、展现银行面临的风险情况，并堵住犯罪分子可能用于规避监管的漏洞。
  • 自适应学习：随着银行确认新的欺诈案例，AI 系统可利用相关数据不断优化模型，尤其对于那些特别接近检测阈值而容易被遗漏或误报的边缘案例，检测效果会越来越好。

如何将 AI 应用于反洗钱领域

对于那些希望在反洗钱流程中采用 AI 技术的银行，首先应评估自身的数据战略，包括现有的数据资源。银行需要考虑如何在处理 KYC、客户开户和反洗钱等业务部门及工作流程中应用 AI。最终构建的系统还需在具体场景下进行适用性评估，并确认其是否满足合规要求。请继续阅读，了解更多具体步骤。

1. 评估当前的反洗钱流程：银行需要审查当前打击洗钱的方式、现有系统在防范洗钱方面的有效性，以及采用基于 AI 方法后可以节省的成本及可带来的改进。
2. 明确目标和要求：银行应明确 AI 实施的目标范围，包括设定清晰的成功标准，例如降低运营成本、减少误报数量等。
3. 加强数据收集和准备：银行应确保数据的清洁度、质量和数量足以训练 AI 模型。同时，银行还需配备足够的数据科学人才来进行模型调优和细化（详见下文）。
4. 选择合适的 AI 工具和技术：选择适合实际应用场景的 AI 系统至关重要。系统应具备实时交易监控能力，能够将机器学习和自然语言处理 (NLP) 应用于客户开户和 KYC 流程，并使用生成式 AI 和 NLP 辅助生成可疑活动报告。银行还可采用预测分析方法评估异常或可疑行为。AI 图形分析功能可识别分析师难以发现的个人与实体网络。
5. 开发和训练 AI 模型：反洗钱 AI 模型主要有两种训练方式。监督学习适用于行为模型、客户风险评分、反洗钱和制裁名单的事件评分，这类模型主要通过已标记的示例进行学习。当模型需要了解输入与输出之间的关系时，这种方法尤为有效。对于客户细分和异常检测等使用场景，银行通常采用无监督学习，即让模型接触未标记的洗钱、欺诈和误报案例。模型无需数据科学家的干预，就能自主识别两组交易的特征。无监督模型还可以发现此前未发现的数据关联。
6. 将 AI 与现有系统相集成：许多反洗钱流程基于遗留 IT 系统运行，银行需投入资源，开发适配老旧交易监控和报告系统及其各类数据的连接器，或对现有基础设施进行现代化改造，以满足 AI 的需求。
7. 培训和支持员工：针对 AI 工具和流程的培训至关重要，这不仅有助于保持合规，还能够消除员工对于技术应用的抵触情绪。
8. 持续改进和适应：AI 的设计初衷是促进持续学习，因此银行在部署和使用 AI 时也需要秉持同样的理念。对于反洗钱警报，银行还需关注模型的“召回率”，即从更少的警报中生成几乎同等数量真实可疑活动报告的能力。
9. 帮助确保合规性：与 AI 相关的法律和监管规定在不断发展，银行需要及时了解这些变化以保持合规性。有效的反洗钱合规应包括内部控制、员工培训，以及由指定的人员来持续管理合规事务。

AI 在反洗钱领域的未来

全球监管机构对反洗钱要求不断演变，而银行的反洗钱预算却面临压力，这使得 AI 驱动的分析和自动化技术愈发具有吸引力。在美国，隶属于财政部的 Financial Crimes Enforcement Network (FinCEN) 正在考虑修定法规，将《银行保密法》适用范围扩展至投资顾问，包括要求其提交 SAR。新加坡金融管理局正在加强对家族办公室和对冲基金的报告要求，并加大对大型银行的监管力度。瑞士金融市场监管局 (FINMA) 已要求各银行开展更彻底的反洗钱审查。此外，欧盟新设立的反洗钱机构也预计将对多达 40 家金融机构实施更直接的监管。

随着不法分子利用豪车、收藏品、珠宝和艺术品掩盖资产流向导致审查难度加大，银行可能会进一步加大对 AI 增强型反欺诈检测方法的投入。洗钱者还利用社交媒体招募底层员工进行资金存款，使得传统系统更难追查此类非法活动。

利用 Oracle 解决方案，实现反洗钱现代化和增强

Oracle Financial Crime and Compliance Management Cloud Service 内置可动态为各类实体和交易进行风险评分的软件引擎，可对流向受制裁实体或国家/地区的交易进行冻结，以便分析师即时审查。此外，该服务还配备了专为调查员实际工作需求而设计的全面案例管理功能。

Oracle Financial Services Compliance Studio 包含统计分析以及监督和非监督学习 AI 技术，可帮助您更好地了解和监控风险，并降低合规和反金融犯罪平台的维护成本。

Oracle 的解决方案已成功帮助某家大型跨国银行在六周内实施了 AI 模型，警报数量减少了 45% 至 65%，但生成的可以活动报告仍不低于此前警报数量更高时的 99%。

Oracle Financial Services Compliance Agent 是一个 AI 驱动的云技术服务，可帮助银行测试其交易监控系统，并模拟不法分子的行为对 AML 程序进行压力测试，从而降低成本和监管风险。此外，Oracle 也正在为其金融犯罪软件开发生成式 AI 组件，以辅助编写报告中的案例叙述。

反洗钱 AI 的常见问题解答

反洗钱流程是否可以自动化？
银行越来越多地使用 AI 工具来自动执行反洗钱流程，这些工具可以跨部门收集和处理数据。此外，这些工具还可以补充和支持负责反洗钱职能的分析师及其他员工。

什么是用于反洗钱领域的生成式 AI？
银行正在使用生成式 AI 来查找未硬编码到传统反洗钱软件的规则引擎中的相关术语，以发现交易之间难以察觉的关联，并为可疑活动及其他报告生成分析叙述。

什么是反洗钱领域的智能自动化？
智能自动化可用于减少被反洗钱系统错误标志为欺诈交易的相关手动审查工作。AI 模型可以利用所学习到的新模式来对未来的交易进行分类。这有助于降低银行的成本并提高准确性。