L'intelligenza artificiale per l'antiriciclaggio: come funziona

Il riciclaggio di denaro si riferisce ai modi in cui i singoli attori o gruppi di criminali iniettano i proventi delle loro attività illegali nel sistema finanziario globale per farli apparire come se fossero legittimamente guadagnati. Le banche statunitensi dedicano circa 25 miliardi di dollari all'anno alle procedure di contrasto al riciclaggio di denaro, mentre le sanzioni comminate alle banche a livello globale per il mancato rispetto delle normative hanno superato i 6 miliardi di dollari nel 2023.

I criminali stanno adottando metodi sempre più sofisticati per eludere i controlli, mentre le banche incontrano crescenti difficoltà nell'individuare effettive attività di riciclaggio di denaro, poiché la maggior parte degli allarmi generati dai loro software di monitoraggio riguarda in realtà transazioni lecite. Questi falsi positivi comportano uno spreco di fatica e di denaro.

Ora, gli istituti finanziari stanno iniziando a integrare o sostituire il software antiriciclaggio (AML) basato su regole predefinite con software più sofisticati basati sull'intelligenza artificiale. Questo software è in grado di individuare con maggiore precisione i modelli nascosti nelle transazioni e nelle relazioni tra persone e aziende, effettuando un controllo più approfondito delle attività sospette e valutando in modo più efficace il rischio di riciclaggio di denaro associato ai clienti. Il risultato può tradursi in una riduzione delle segnalazioni di falsi positivi, una maggiore protezione contro attori illeciti e sanzioni regolamentari, nonché in costi di conformità inferiori.

Che cos'è l'intelligenza artificiale?

L'intelligenza artificiale rappresenta un insieme di tecniche statistiche che consentono ai computer di identificare relazioni, formulare deduzioni e prevedere scenari basandosi su modelli appresi da grandi quantità di dati. Le aziende di servizi finanziari utilizzano tecniche di intelligenza artificiale per automatizzare i processi di back-office, tra cui la lotta contro le frodi con carte di credito, la personalizzazione delle offerte di prodotti, la creazione di consigli ai team di vendita e la lotta al riciclaggio di denaro.

Che cos'è l'AI AML?

I sistemi tradizionali basati su regole, che individuano segnali di attività criminali o transazioni sospette mediante schemi preprogrammati, stanno cedendo il passo a soluzioni basate sull'intelligenza artificiale in grado di riconoscere i comportamenti tipici del riciclaggio di denaro. Storicamente, i software per l'anti-riciclaggio (AML) sono stati progettati per individuare segnali di allarme che potrebbero indicare attività criminali, oltre a raccogliere informazioni complementari, quali la presenza del cliente bancario in liste internazionali di sanzioni, depositi bancari appena al di sotto della soglia che richiedono segnalazioni alle autorità, o trasferimenti di somme da un conto simili a quelli recentemente accreditati.

La sfida è che i criminali impiegano tattiche in evoluzione per riciclare i loro proventi in quelle che sembrano essere transazioni finanziarie legittime. Oltre a costituire società di comodo per rendere più difficile il tracciamento della proprietà, investono in aziende esistenti che effettuano la maggior parte delle loro operazioni in contanti e successivamente gonfiano i loro ricavi. Depositano inoltre i propri fondi in piccole somme presso diversi istituti finanziari e trasferiscono liquidità in Paesi con normative meno rigorose. Ciò significa che i metodi tradizionali antiriciclaggio sono spesso inefficaci, generando un numero molto elevato di falsi positivi che possono costare alle banche fino a decine di milioni di dollari all'anno.

I sistemi basati sull'intelligenza artificiale sono in grado di identificare modelli nascosti di transazioni all'interno di reti di persone, confrontare i comportamenti con quelli storicamente comuni per un'organizzazione o i suoi pari, assegnare punteggi di rischio ai clienti sulla base delle loro attività passate e delle informazioni Know Your Customer (KYC), nonché gestire gli eventi per chiudere le indagini a basso rischio. Il rilevamento delle frodi per transazioni, pagamenti elettronici ai fornitori, AML e KYC sono tra i primi cinque casi d'uso dell'AI nei servizi finanziari, secondo una ricerca del produttore di chip AI NVIDIA.

Concetti chiave

• L'intelligenza artificiale può aiutare le banche a ridurre i costi di compliance normativa, rilevando cambiamenti più dettagliati nel comportamento dei clienti e adattandosi ai nuovi rischi man mano che si presentano.
• Il software supporta la lotta al riciclaggio di denaro identificando rischi precedentemente nascosti e riducendo il numero di falsi positivi che i team AML devono esaminare.
• Le banche mantengono ancora un numero simile di relazioni per le autorità su attività legittimamente sospette.
• Il costo dei processi inefficaci è elevato, poiché le sanzioni regolamentari a livello globale per il mancato contrasto al riciclaggio di denaro sono in aumento.

L'intelligenza artificiale per l'antiriciclaggio: come funziona

Le banche sono sottoposte a una pressione significativa per identificare e contrastare tecniche di riciclaggio di denaro sempre più sofisticate, evitando al contempo sanzioni elevate e mantenendo sotto controllo i costi legati alla conformità normativa. Sostituendo gli strumenti software basati su regole con applicazioni AML basate sull'intelligenza artificiale, le banche possono migliorare l'identificazione delle attività sospette fino al 40%, report McKinsey & Company, riducendo al contempo notevolmente il numero di falsi positivi.

Gli approcci AI includono l'applicazione del machine learning al punteggio dei clienti per prevedere la loro propensione a perpetrare un crimine finanziario. Le applicazioni AML utilizzano anche l'apprendimento non supervisionato, in cui un sistema di machine learning non viene visualizzato con esempi etichettati e rimuove le relazioni dai dati grezzi, per identificare i comportamenti dei clienti in continua evoluzione e acquisire in modo più accurato i rischi. I sistemi AI possono incorporare modelli di comportamento previsto, che segnalano le deviazioni e sostituiscono regole fisse. Gli strumenti AML basati sull'intelligenza artificiale gestiscono inoltre eventi di scenario basati su regole, consentendo la chiusura automatica o la de-prioritizzazione delle indagini a basso rischio.

Come funziona l'AI AML?

Quando le aziende o le persone fisiche vogliono aprire un conto bancario, le banche eseguono valutazioni del rischio. Ciò include porre ai potenziali clienti una serie di domande su lavoro, residenza, fonti di reddito e su come intendono spostare il denaro. Le banche si assicurano anche che i potenziali clienti non siano in liste di sanzioni internazionali che vieterebbero loro di trasferire i fondi. Devono inoltre accertare se ciascun individuo sia una cosiddetta persona politicamente esposta, ovvero una figura politica, un familiare o un suo stretto collaboratore, il che comporta un livello di controllo più rigoroso. Le banche intraprendono quindi processi KYC e valutano i potenziali candidati per il rischio di riciclaggio di denaro o frode.

Il problema è che alcune delle informazioni dipendono dai clienti che rispondono onestamente, quindi le istituzioni finanziarie hanno bisogno di modi automatizzati per vedere se l'attività bancaria effettiva dei clienti si discosta dal loro intento dichiarato. I controlli AML tradizionali esaminano i dati delle transazioni, incluso il movimento internazionale di fondi, se le transazioni di importi simili si muovono rapidamente tra i conti e se i clienti hanno suddiviso transazioni di grandi dimensioni in transazioni più piccole. I criminali spesso trasferiscono denaro in conti in diversi Paesi le cui normative antiriciclaggio sono meno rigorose rispetto a quelle del Paese dove risiedono. Un'altra difficoltà è che questi comportamenti possono anche avere spiegazioni legittime.

I sistemi basati sull'intelligenza artificiale offrono una capacità superiore nell'analisi dei dati, individuando modelli che risultano difficili da rilevare esclusivamente tramite analisti umani e responsabili del controllo dei rischi. Il software è in grado di applicare una valutazione del rischio comportamentale per prevedere la propensione di un cliente a commettere un reato, eseguire modelli predittivi per determinare se le indagini di primo livello possano essere chiuse in sicurezza senza necessità di escalation a team più specializzati, e simulare operazioni di riciclaggio di denaro al fine di valutare l’efficacia dei sistemi di monitoraggio delle transazioni. Ciò può ridurre il numero di avvisi che non segnalano l'effettiva attività di riciclaggio di denaro, contribuendo a ridurre i costi di conformità. La tecnologia di intelligenza artificiale generativa può aiutare le banche a riepilogare le valutazioni iniziali del rischio e a redigere report sulle attività sospette per le forze dell'ordine.

Le tecniche di intelligenza artificiale comunemente impiegate nell'ambito dell'antiriciclaggio (AML) comprendono l'apprendimento profondo per rinforzo, le reti antagoniste generative (GAN) e le reti neurali grafiche (GNN). Le GAN effettuano delle generalizzazioni partendo da esempi di riciclaggio di denaro appresi dai dati di addestramento per trovare modelli modificati, adattandosi alle evoluzioni delle strategie criminali. I GNN cercano relazioni tra persone ed entità apprese durante l'addestramento, comprese quelle precedentemente non identificate. Questa analisi aiuta le banche a individuare attività di riciclaggio di denaro che coinvolgono gruppi di attori criminali. L'apprendimento di rinforzo profondo può insegnare ai modelli AI a conoscere nuove relazioni tra i datapoint insegnando al sistema come cercare feedback positivi per prendere la decisione giusta. I modelli possono quindi adattare il monitoraggio delle transazioni a strategie in evoluzione.

I sistemi AML basati sull'intelligenza artificiale sono in grado di apprendere continuamente durante il loro utilizzo. Ad esempio, qualora un software di intelligenza artificiale identifichi transazioni con caratteristiche comuni che risultano altamente improbabili di essere legate al riciclaggio di denaro, può formulare raccomandazioni per modifiche al sistema principale, consentendo così il passaggio di transazioni simili in futuro.

Un report di Bank of England sull'AI del 2022 ha concluso che "uno dei motivi per cui l'AI è importante è che può attivare nuovi casi d'uso", ad esempio affrontando il problema delle frodi di identità sintetiche, in cui i criminali creano identità "da un puzzle di dati reali ... che potrebbero essere difficili da identificare dagli analisti umani". I sistemi AML basati sull'intelligenza artificiale possono anche utilizzare reti neurali non supervisionate per esaminare fonti di dati molto ampie, inclusi gli indirizzi IP dei computer e i modelli di comportamento, per generare avvisi.

Vantaggi di AI AML

I sistemi tradizionali di AML devono essere adeguatamente calibrati per garantire una sensibilità ottimale nei confronti di attività potenzialmente sospette. Generare un numero insufficiente di segnalazioni comporta il rischio di non rilevare attività criminali, oltre a potenziali sanzioni e controlli da parte delle autorità regolatorie. Un numero eccessivo di segnalazioni può sovraccaricare il personale addetto alla conformità delle banche, che deve esaminare ogni allarme e stabilire come procedere. I sistemi AI hanno dimostrato di poter generare quasi lo stesso numero di report sulle attività sospette (SAR), ma con un numero notevolmente ridotto di falsi positivi. Continua a leggere per saperne di più su questi e altri vantaggi dell'AI.

• Aumenta/migliora l'accuratezza del rilevamento dei rischi. Le tecniche di intelligenza artificiale possono contribuire a migliorare l'accuratezza nella rilevazione dei rischi attraverso l'elaborazione e la sintesi di grandi quantità di dati strutturati e non strutturati, apprendendo i modelli comportamentali e individuando eventuali anomalie. Le reti neurali sono in grado di riconoscere schemi simili a quelli su cui sono state addestrate, offrendo raccomandazioni che possono impedire ai gruppi criminali di apportare piccole modifiche ai loro schemi di frode al fine di eludere le regole conosciute.
• Riduci i costi operativi. I sistemi AML basati sull'intelligenza artificiale possono contribuire a ridurre i costi operativi diminuendo il numero di falsi positivi che i team di gestione del rischio devono analizzare. Ogni avviso attiva un'indagine di livello uno, che costa tempo al personale. Tra il 90% e il 95% di tali segnalazioni vengono risolte prima di essere trasferite a un’indagine più approfondita di secondo livello e alla presentazione del SAR alle autorità competenti.
• Migliora compliance e governance. I dipartimenti di conformità delle banche, le organizzazioni IT e le linee di business stanno affrontando pressioni dovute ai cambiamenti nelle normative antiriciclaggio (AML) e alla mancanza di regole globali uniformi, sebbene si stiano iniziando a registrare alcuni segnali di convergenza. Alcuni enti regolatori, tra cui quelli degli Stati Uniti e del Regno Unito, stanno incentivando le banche ad adottare l'intelligenza artificiale nei loro sistemi di prevenzione del riciclaggio di denaro (AML). Gli istituti finanziari stanno inoltre impiegando tecniche di intelligenza artificiale e apprendimento automatico per eseguire test di identificazione del rischio. L'intelligenza artificiale può inoltre contribuire a ridurre le omissioni nelle attività di riciclaggio di denaro, prevenendo così potenziali controlli normativi.

Limitazioni dell'AI nell'AML

L'applicazione dell'intelligenza artificiale per combattere il riciclaggio di denaro non funzionerà bene se le banche non dispongono di dati di alta qualità sufficienti per addestrare i modelli e fornire risultati sempre accurati. Le banche devono inoltre garantire la presenza di personale qualificato per formare, ottimizzare e mantenere i modelli di intelligenza artificiale, prestando particolare attenzione alla tutela della privacy dei dati dei clienti durante la progettazione dei sistemi. L'intelligenza artificiale può presentare una certa opacità: non è sempre evidente come un sistema di intelligenza artificiale generativa giunga alle proprie risposte. McKinsey consiglia alle banche di incontrare le autorità di regolamentazione con largo anticipo rispetto allo sviluppo di un sistema AML basato sull'intelligenza artificiale. Continua a leggere per saperne di più su queste e altre limitazioni dell'AI.

• Qualità e disponibilità dei dati. Dati incompleti o inaccurati possono compromettere le prestazioni dei modelli di intelligenza artificiale, i quali necessitano di un numero sufficiente di esempi di alta qualità durante la fase di addestramento per poter identificare con precisione le transazioni sospette una volta implementati. Le banche con accesso limitato ai dati, in particolare i dati su veri esempi di riciclaggio di denaro, potrebbero dover prendere in considerazione un approccio diverso.
  
• Problemi normativi e di compliance. Le normative antiriciclaggio, in continua evoluzione e talvolta ambigue e incoerenti, rappresentano una sfida significativa per i dipartimenti di conformità delle banche, le organizzazioni IT e le linee di business. Ad esempio, le raccomandazioni del Financial Action Task Force (FATF), organismo internazionale di definizione degli standard per la prevenzione del riciclaggio di denaro, offrono ampi margini di interpretazione nelle linee guida rivolte alle autorità di vigilanza. Il CEO di JPMorgan Chase, Jamie Dimon, ha sollecitato una semplificazione e un miglioramento delle normative antiriciclaggio (AML). Le regole stanno iniziando a essere unificate. Nel 2024, l'UE ha istituito una nuova autorità antiriciclaggio con sede a Francoforte, le cui normative si applicano alle imprese di tutto il blocco, senza necessità di essere recepite nelle legislazioni nazionali.
  
• Problemi tecnici e operativi. La maggior parte delle banche deve anche affrontare le sfide dell'integrazione dei sistemi, poiché i dati memorizzati nei mainframe e in altri sistemi legacy non sono solitamente pronti per l'elaborazione da parte dell'AI. Secondo la società di consulenza McKinsey & Company, le banche incontrano difficoltà nel mantenere dati di qualità elevata sui propri clienti, in particolare quelli di lunga data il cui storico potrebbe essere parzialmente conservato in formati non standard e derivato da moduli cartacei.
  
• Falsi positivi e negativi. Il numero di falsi positivi, ovvero le transazioni finanziarie corrette che vengono contrassegnate dal software come potenziali attività di riciclaggio di denaro, possono raggiungere il 95%. Ma le banche devono ancora esaminarli, che è un processo costoso e dispendioso in termini di tempo. Al contrario, i falsi negativi, quando le transazioni da parte di entità sanzionate o il riciclaggio di denaro reale sfuggono, possono portare ad azioni normative e a danni della reputazione.
  
• Adattabilità ed evoluzione delle tattiche criminali. Chi ricicla il denaro è un avversario sofisticato che utilizza tecniche in continua evoluzione per eludere la rilevazione. Una volta che i soggetti malintenzionati individuano le regole utilizzate per rilevare il riciclaggio, possono apportare lievi modifiche al loro comportamento per eludere tali controlli.
  
• Problemi di privacy. Le banche che progettano l'intelligenza artificiale per combattere il riciclaggio di denaro devono considerare gli aspetti relativi alla privacy di questi sistemi. Le banche hanno accesso a quantità significative di dati, comprese le informazioni personali, e i diritti di utilizzo di queste informazioni devono essere valutati nel contesto.

Casi d'uso di AI AML

Le banche utilizzano tecniche di AI per la prevenzione del riciclaggio di denaro (AML) durante l'acquisizione dei clienti, il monitoraggio delle loro attività bancarie e la segnalazione di comportamenti sospetti alle autorità competenti. Il software può rendere i processi più veloci ed efficaci creando profili comportamentali da modelli a volte nascosti per classificare meglio le transazioni, setacciando documenti e notizie per clienti potenzialmente rischiosi e accelerando la scrittura dei report normativi.

• Monitoraggio delle transazioni. I modelli AI possono monitorare le transazioni per rilevare attività illegali in due modi principali.
  • Riconoscimento pattern. Attraverso i dati di addestramento, i modelli di intelligenza artificiale sono in grado di riconoscere schemi di transazione che sfuggono ai tradizionali sistemi AML basati su regole. Ad esempio, possono identificare le transazioni "strutturate", in cui somme ingenti di denaro vengono suddivise in importi più piccoli, oppure analizzare grandi volumi di dati per individuare società veicolo utilizzate per il trasferimento di fondi. L'intelligenza artificiale è in grado di modellare i comportamenti attesi dei clienti, nonché le deviazioni da tali comportamenti che possono indicare attività criminali, sostituendo così approcci basati su regole che potrebbero risultare meno precisi.
  • Monitoraggio in tempo reale. La rapidità dei pagamenti digitali sta stimolando la domanda di sistemi AML basati sull'intelligenza artificiale in grado di analizzare rapidamente grandi volumi di dati, anche in tempo reale. Michael Hsu, controllore ad interim della valuta degli Stati Uniti, ha dichiarato in un discorso tenuto a gennaio 2024 che la crescente velocità dei pagamenti digitali sta accelerando anche le frodi, imponendo alle banche la necessità di sviluppare “meccanismi di controllo adeguati per un sistema finanziario sempre più in tempo reale.”
• Due diligence dei clienti (CDD) e Know Your Customer (KYC). Le banche possono identificare e controllare i clienti online utilizzando tecniche di onboarding automatizzato basate sull'intelligenza artificiale per rendere i processi KYC più veloci e accurati. Questi includono la verifica dell'identità digitale e la scansione dei documenti ID. Attraverso il monitoraggio continuo delle transazioni, le banche possono identificare meglio i clienti ad alto rischio analizzando più dati di quelli consentiti dalle revisioni periodiche.
  • Onboarding automatico. Le banche possono contribuire a migliorare la velocità e l'accuratezza durante l'apertura dei conti dei clienti scansionando i documenti di identificazione per la verifica online e applicando l'intelligenza artificiale per valutarne l'autenticità.
  • Monitoraggio continuo. Poiché il comportamento dei clienti può variare nel corso del loro rapporto con una banca e poiché gli esiti elettorali a livello globale possono influenzare la qualifica di una persona come soggetto politicamente esposto, le istituzioni finanziarie stanno adottando strumenti basati sull'intelligenza artificiale per monitorare costantemente le transazioni, la titolarità effettiva, le liste di sanzioni e la copertura mediatica. Il monitoraggio continuo verifica se il comportamento dei clienti potrebbe essere diventato più rischioso dall'ultima valutazione effettuata da una banca.
• Suspicious Activity Reporting (SAR). Le banche devono presentare le SAR alle autorità di regolamentazione per segnalare i casi sospetti di riciclaggio di denaro e finanziamento del terrorismo.
  • Gli strumenti di reporting automatizzato abilitati dall'intelligenza artificiale generativa possono aiutare a generare SAR in modo più efficiente rispetto agli analisti umani che lavorano da soli.
  • Maggiore accuratezza nel reporting. Molte SAR presentano narrazioni poco chiare e informazioni mancanti, offrendo ampio margine di miglioramento attraverso l'impiego di sistemi di intelligenza artificiale generativa, in grado anche di elaborare elenchi di azioni successive.
• Verifica delle sanzioni. Frequenti aggiornamenti agli elenchi delle sanzioni internazionali (come dopo l'inizio della guerra tra Russia e Ucraina) e difficoltà nell'abbinare le entità aziendali alle variazioni dei nomi delle persone o delle aziende in diversi paesi e lingue possono sopraffare i sistemi AML tradizionali.
  • Lo screening automatizzato, utilizzando l'intelligenza artificiale, può estrarre e classificare le informazioni da documenti non strutturati, trovare sinonimi per i termini con flag rosso ed eliminare termini con ortografia simile con significati diversi.
  • Riduzione dei falsi positivi. Il risultato può essere una riduzione dei falsi positivi, che richiede un minor numero di revisioni dispendiose in termini di tempo da parte degli analisti, nonché una conseguente diminuzione dei costi.
• Analisi e visualizzazione ottimizzate. Le tecniche di visualizzazione dei dati, inclusi i grafici delle relazioni tra persone ed entità, possono aiutare gli utenti aziendali non tecnici a vedere i cambiamenti del rischio e la distribuzione geografica dei casi sospetti di riciclaggio di denaro.
  • Visualizzazione dati. Oltre ai grafici delle relazioni, le tecniche di AI possono supportare gli analisti nell'individuazione delle attività illecite sulle mappe e nell'esplorazione approfondita dei dashboard per accedere a dettagli più specifici. Il risultato può essere un processo decisionale più rapido ed efficace.
  • Il reporting dei dashboard mostra le metriche e l'avanzamento rispetto agli indicatori di prestazioni chiave (KPI) per le transazioni monitorate, gli avvisi generati, i SAR archiviati e le indagini aperte e chiuse.
• Compliance normativa. Gli strumenti di intelligenza artificiale possono aiutare gli istituti finanziari a stare al passo e ad adattarsi agli aggiornamenti normativi, anche con la documentazione che consente la verificabilità.
  • Aggiornamenti normativi. L'aumento delle sanzioni per riciclaggio di denaro e per la conformità alle normative KYC, unitamente all'istituzione di nuovi enti regolatori incaricati della loro applicazione, determina una crescente richiesta di soluzioni tecnologiche in grado di supportare le banche nell’adeguarsi tempestivamente alle normative in evoluzione, riducendo il rischio di sanzioni attraverso la sostituzione o l’integrazione dei processi manuali con procedure automatizzate.
  • Percorsi di audit. Questi strumenti software possono anche generare percorsi di audit che dimostrano come sono state prese le decisioni AML e aiutano a scrivere i log per gli audit contenenti attività e accesso ai dati.
• Gestione dei casi. Gli strumenti di automazione e collaborazione del flusso di lavoro possono aiutare con la compliance AML dando la priorità agli avvisi, consigliando azioni e automatizzando il reporting. Il software può monitorare gli avvisi e fornire dashboard che mostrano attività sospette.
  • Automazione del flusso di lavoro. Secondo la società di consulenza IT KPMG, le istituzioni finanziarie potrebbero essere in grado di risparmiare in media un quarto dei costi annuali di compliance utilizzando gli strumenti di automazione del flusso di lavoro contro la criminalità finanziaria. Gli strumenti AI possono anche mantenere aggiornati i processi KYC, apportando modifiche normative ai flussi di lavoro di onboarding.
  • Strumenti di collaborazione. Il software di gestione dei casi aiuta i reparti a coordinare le loro attività fornendo un archivio centrale di informazioni sulla conformità.
• Rilevamento e prevenzione delle frodi. Le banche dispongono di un certo lasso di tempo per intervenire contro il riciclaggio di denaro una volta che è stato individuato; tuttavia, i casi di frode dovrebbero essere idealmente prevenuti prima che le transazioni vengano eseguite, al fine di evitare perdite. I sistemi di intelligenza artificiale utilizzano l'apprendimento adattivo, consentendo così di supportare efficacemente il processo di screening delle transazioni. I modelli AI offrono anche una visione ampia dei clienti, in modo che le banche possano vedere indagini e report che riguardano AML, frodi e sanzioni per corruzione, secondo KPMG.
  • Soluzioni integrate per frodi e AML. L'integrazione di tecniche per contrastare frodi e riciclaggio di denaro in un unico pacchetto software offre alle banche il vantaggio di supportare i team anti-frode e AML nella raccolta e condivisione dei dati pertinenti sui clienti, nel fornire una panoramica completa dei rischi a cui è esposto l'istituto bancario e nel chiudere eventuali lacune che i criminali potrebbero sfruttare per eludere i controlli.
  • Apprendimento adattivo. Con la conferma da parte delle banche di nuovi casi di frode, i sistemi di intelligenza artificiale possono utilizzare questi dati per migliorare progressivamente, soprattutto nell'identificazione dei casi limite prossimi alla soglia di rilevamento, che potrebbero portare a omissioni o falsi positivi.

Come integrare l'intelligenza artificiale nell'AML

Le banche che desiderano riprogettare i processi AML per incorporare tecniche di intelligenza artificiale dovrebbero prima valutare la loro strategia di dati, inclusi i dati di cui dispongono. Devono considerare in che modo l'intelligenza artificiale può essere utilizzata tra dipartimenti e flussi di lavoro che gestiscono KYC, l'onboarding dei clienti e l'antiriciclaggio di denaro. I sistemi risultanti devono essere valutati nel contesto dell'idoneità e valutati per la conformità normativa. Continua a leggere per saperne di più su questi e altri passaggi.

1. Valutare i processi AML correnti. Le banche devono rivedere il modo in cui contrastano il riciclaggio di denaro, l'efficacia dei sistemi attuali nel prevenirlo, i costi che potrebbero essere evitati e i miglioramenti che potrebbero essere apportati da un approccio basato sull'intelligenza artificiale.
2. Definire obiettivi e requisiti. Le banche devono definire chiaramente gli obiettivi dell'implementazione dell'intelligenza artificiale, includendo criteri di successo ben specificati, quali la riduzione dei costi operativi e la diminuzione del numero di falsi positivi.
3. Eseguire la raccolta e la preparazione dei dati. Le banche devono garantire che i loro dati siano puliti e di qualità e quantità sufficienti per addestrare i modelli AI. È inoltre necessario disporre di un adeguato personale specializzato in data science per ottimizzare i modelli e perfezionare le metodologie (ne parleremo più avanti).
4. Scegliere gli strumenti e le tecnologie AI giusti. È fondamentale selezionare un sistema AI che si adatti ai casi d'uso richiesti. I sistemi devono essere in grado di monitorare le transazioni in tempo reale, applicando tecniche di machine learning ed elaborazione del linguaggio naturale (NLP) ai processi di onboarding clienti e KYC, nonché utilizzare GenAI e NLP per supportare la generazione di report sulle attività sospette. Le banche possono utilizzare l'analisi predittiva per valutare comportamenti anomali o sospetti. L'analisi AI grafica può aiutare a trovare reti di persone ed entità che non sono evidenti agli analisti.
5. Sviluppare e addestrare modelli AI. Esistono due modi principali per addestrare i modelli AI AML. Nell'ambito dell'apprendimento supervisionato, utilizzato per modelli comportamentali, valutazione del rischio cliente e punteggi di eventi relativi a AML e liste sanzionatorie, i modelli vengono addestrati mediante esempi etichettati da cui apprendere. Ciò è utile quando un modello deve conoscere le relazioni tra input e output. Per casi d'uso quali la segmentazione della clientela e il rilevamento di anomalie, le banche impiegano comunemente l'apprendimento non supervisionato, in cui i modelli vengono addestrati su esempi non etichettati di riciclaggio di denaro e frodi, inclusi i falsi positivi. Senza alcun aiuto da parte dei data scientist, il modello impara a identificare le caratteristiche di entrambi i gruppi di transazioni. I modelli non supervisionati possono apprendere informazioni sulle relazioni nei dati che non sono state individuate in precedenza.
6. Integrare l'intelligenza artificiale con i sistemi esistenti. Numerosi processi di antiriciclaggio (AML) operano su sistemi informatici legacy; pertanto, le banche devono investire nello sviluppo di connettori con i sistemi più datati di monitoraggio delle transazioni e di reporting, nonché nei diversi tipi di dati correlati, oppure procedere alla modernizzazione della loro infrastruttura per soddisfare le esigenze dell'intelligenza artificiale.
7. Addestrare e supportare il personale. La formazione su strumenti e processi AI è importante sia per la compliance normativa che per superare la resistenza del personale all'adozione della tecnologia.
8. Cercare il miglioramento e l'adattamento continui. L'intelligenza artificiale è progettata per promuovere l'apprendimento continuo e le banche devono adottare una mentalità simile mentre implementano e utilizzano la tecnologia. Per le segnalazioni di antiriciclaggio (AML), le banche devono altresì considerare la cosiddetta capacità di richiamo dei modelli, che valuta la loro abilità nel generare un numero quasi equivalente di rapporti di attività sospette effettive a partire da un gruppo significativamente ridotto di allarmi.
9. Aiutare a garantire la compliance normativa. Le leggi e le normative sull'intelligenza artificiale si stanno evolvendo e le banche devono stare al passo con loro per mantenere la compliance. I controlli interni, la formazione e la nomina di un funzionario per la gestione della conformità continua sono tutte parti chiave di un'efficace conformità AML.

Il futuro dell'intelligenza artificiale nell'AML

I requisiti AML stabiliti dalle autorità globali si stanno evolvendo, mentre i budget AML delle banche sono sotto pressione, rendendo l'analisi e l'automazione basate sull'intelligenza artificiale più attraenti. Negli Stati Uniti, la Financial Crimes Enforcement Network (FinCEN) del Dipartimento del Tesoro sta prendendo in considerazione regole che estenderanno la legge sulla segretezza bancaria ai consulenti degli investimenti, inclusa la richiesta di presentare le SAR. L'Autorità Monetaria di Singapore sta rafforzando i requisiti di segnalazione per family office e hedge fund, intensificando al contempo il controllo sulle grandi banche, a seguito del riciclaggio di oltre 2,2 miliardi di dollari statunitensi provenienti da attività di gioco d'azzardo online da parte di criminali cinesi attraverso 16 istituti bancari nel paese. L'autorità di regolamentazione svizzera FINMA ha ordinato alle banche di condurre revisioni più approfondite dell'AML e la nuova autorità antiriciclaggio dell'UE dovrebbe introdurre una vigilanza più diretta su un massimo di 40 istituti finanziari.

Le banche potrebbero cercare di raddoppiare i nuovi metodi di rilevamento delle frodi potenziati dall'intelligenza artificiale, poiché nascondere denaro dietro auto di fascia alta, oggetti da collezione, gioielli e arte ha reso la pratica più difficile da tracciare. Chi ricicla denaro usa anche i social media per reclutare lavoratori di basso livello e depositare denaro, rendendo più difficile l'attività nefasta per i sistemi tradizionali.

Modernizza e rafforza il tuo antiriciclaggio (AML) con Oracle

Oracle Financial Crime and Compliance Management Cloud Service include motori software che assegnano dinamicamente un punteggio alle entità e alle transazioni in termini di rischio e bloccano le transazioni a entità o Paesi sanzionati per una revisione immediata da parte di un analista. Dispone inoltre di una funzionalità completa di gestione dei casi, progettata specificamente per adattarsi alle modalità operative degli investigatori.

Oracle Financial Services Compliance Studio include l'analisi statistica e la tecnologia AI di apprendimento supervisionata e non supervisionata, che aiuta a comprendere e monitorare meglio i rischi e a ridurre i costi di manutenzione di una piattaforma per la compliance e la lotta alla criminalità finanziaria.

L'approccio di Oracle ha consentito a una grande banca multinazionale di implementare modelli di intelligenza artificiale in sei settimane, riducendo il numero di allarmi del 45% - 65%, pur mantenendo almeno il 99% delle segnalazioni di attività sospette rispetto al periodo in cui il volume degli allarmi era significativamente più elevato.

Oracle Financial Services Compliance Agent è un servizio cloud basato sull'intelligenza artificiale che consente alle banche di testare i propri sistemi di monitoraggio delle transazioni e simulare attori malintenzionati per sottoporre a test i propri programmi AML, contribuendo a ridurre i costi e i rischi normativi. Oracle sta anche sviluppando un componente di AI generativa per il suo software di criminalità finanziaria per aiutare a scrivere descrizioni di casi per i report.

Domande frequenti sull'AI AML

L'AML verrà automatizzato?
Le banche automatizzano sempre più i propri processi AML utilizzando strumenti AI in grado di raccogliere ed elaborare i dati provenienti da tutti i reparti. Questi strumenti completano e supportano gli analisti e altri lavoratori responsabili della funzione AML.

Che cos'è l'intelligenza artificiale generativa nell'antiriciclaggio di denaro?
Le banche utilizzano la GenAI per cercare termini correlati che non siano non modificabili nei motori di regole del software AML tradizionale, per identificare relazioni difficili da individuare tra le transazioni e per creare narrazioni per attività sospette e altri report.

Che cos'è l'automazione intelligente nell'AML?
L'automazione intelligente viene impiegata per ridurre il lavoro manuale necessario alla revisione delle transazioni che un sistema AML segnala erroneamente come fraudolente. Lo fa applicando nuovi modelli appresi dal modello di intelligenza artificiale per classificare le transazioni future. Ciò può aiutare a ridurre i costi delle banche e a migliorare la precisione.