Kecerdasan Buatan Anti TPPU

MONDAYREVIEW.COM - Apakah teknologi mampu menciptakan dunia yang bersih dari kejahatan? Bisa jadi hal itu terjadi. Setidaknya teknologi menjadi alat bantu agar tak terjadi kecurangan oleh pihak tertentu.  

Perusahaan teknologi komputer Amerika Serikat (AS), Oracle, mengumumkan layanan awan baru untuk membantu bank-bank menengah melawan aksi pencucian uang dan mengatasi kejahatan keuangan.

Layanan Awan Manajemen Kepatuhan dan Kejahatan Keuangan Oracle (Oracle Financial Crime and Compliance Management Cloud Service) menghadirkan sebuah paket aplikasi yang dirancang untuk bank menengah, sebut perusahaan itu.

Dalam situsnya Oracle mengklaim produknya mampu memerangi kejahatan keuangan di Abad 21. Meskipun 49% organisasi global menjadi korban penipuan dan kejahatan ekonomi, banyak yang sepenuhnya menyadari tingkat eksposur risiko mereka.

Proses tradisional berbasis aturan untuk memerangi kejahatan keuangan dapat menandai transaksi tunai dalam jumlah tertentu atau memblokir transaksi ke negara tertentu, tetapi memerlukan sejumlah besar sumber daya bank untuk meninjau transaksi yang ditandai atau diblokir dan menyingkirkan positif palsu.

Selain itu, pendekatan anti pencucian uang berbasis aturan tidak dapat dengan cepat beradaptasi dengan perubahan terbaru dalam perilaku kriminal untuk menghindari deteksi. Model ini juga berfokus pada pengurangan jumlah positif palsu dari investigasi tetapi tidak memperhitungkan hilangnya tautan antara rangkaian peristiwa atau aktivitas pelanggan.

Kecerdasan Buatan (AI) Oracle mampu mengejar kejahatan keuangan. Pendekatan AI untuk anti pencucian uang tidak memerlukan aturan untuk mengidentifikasi potensi transaksi kriminal. Alih-alih, algoritme memberi daya pada mesin yang menjalankan AI dan teknologi pembelajaran mesin. Model ini beroperasi pada kumpulan data besar untuk memproses pola, anomali lebih cepat dan lebih efisien daripada manusia.

Machine learning membuat dan menghubungkan profil risiko di seluruh jaringan data yang luas untuk menentukan apakah bank harus terus berbisnis dengan klien potensial (atau tidak). Sistem akan dilatih untuk mengidentifikasi transaksi yang mencurigakan dari waktu ke waktu dan mengidentifikasi pola dan koneksi seperti di mana pelanggan membuka akun terkait dengan alamat rumah mereka atau bahkan perubahan dalam kehadiran media sosial pelanggan.

Namun, mengingat luasnya kemajuan kecerdasan buatan terbaru seperti otomatisasi proses robotik (RPA), bahasa pemrosesan alami, dan analitik grafik, mungkin merupakan urusan yang membingungkan bagi bisnis apa pun yang ingin meningkatkan teknologi anti pencucian uang mereka. Perlu ada keseimbangan antara antusiasme dalam menerapkan teknologi ini dan membatasi eksposur terhadap risiko yang tidak perlu.

Sederhananya, itu bukan otomatisasi demi itu. Fokus dari tim anti-pencucian uang tidak boleh berinvestasi dalam model pembelajaran mesin yang mengurangi kesalahan positif hingga 40%, tetapi untuk memahami cara kerja algoritma yang memberdayakan kecerdasan.

Pertimbangan Praktis Saat Berinvestasi dalam Teknologi AML

1) Data berkualitas baik itu penting. Algoritme mengandalkan data yang ada untuk membuat prediksi tentang apa yang mungkin terjadi berdasarkan jarak atau kesamaan antar sampel data. Organisasi perlu mempertahankan tingkat akurasi yang tinggi dalam data internal dan eksternal mereka. Pembersihan data sederhana tidak cukup. Pembuatan profil dan audit data yang lebih ekstensif sebelum pemutaran memastikan bahwa anomali dan inkonsistensi dihilangkan untuk memastikan bahwa data dioptimalkan. Definisi dan penerapan aturan yang benar untuk pelanggan dan sumber data daftar, ditambah penggunaan pengidentifikasi sekunder memastikan bahwa positif palsu dikurangi tanpa meningkatkan risiko.

2) Berfokus pada kasus penggunaan berdampak tinggi memungkinkan tim anti pencucian uang dan manajemen senior untuk melihat bagaimana investasi teknologi telah membuat perbedaan. Nilai sebenarnya dari model pembelajaran mesin paling baik dibuka dengan kasus penggunaan atau aplikasi tertentu. Bank perlu mengidentifikasi kasus penggunaan yang tepat di mana otomatisasi dapat memberikan dampak terbesar dan laba atas investasi tertinggi sebelum memulai investasi teknologi. Latihan ini juga memastikan bahwa tim mampu mengartikulasikan apa yang akan dilakukan oleh investasi teknologi kepada audiens internal dan eksternal.

3) Pertimbangkan audiens eksternal - para regulator. Regulator mendapatkan pemahaman yang lebih baik tentang bagaimana teknologi terbaru dapat mendukung perjuangan mereka melawan kejahatan finansial dan mengatur bagian hackathon yang adil. Bank of England baru-baru ini menerbitkan laporan tentang bagaimana teknologi pembelajaran mesin banyak digunakan dalam anti-pencucian uang di antara lembaga keuangan karena kebutuhan untuk "menghubungkan kumpulan data besar dan melakukan deteksi pola adalah penyiapan yang cocok dengan pembelajaran mesin" . Tim teknologi anti pencucian uang harus memiliki AI yang dapat dijelaskan tetapi juga menjaga jejak audit yang transparan untuk memastikan bahwa bank tidak terpapar pada risiko atau eksposur kepatuhan yang tidak perlu.

Menemukan Sweet Spot untuk Investasi Teknologi AML

Menerapkan kecerdasan buatan dan pembelajaran mesin untuk memerangi kejahatan finansial tidak lagi menjadi terobosan baru. Tapi bisa menjadi tantangan untuk membenarkan biaya yang terlibat dalam menambah tumpukan teknologi AML Anda saat ini, terutama jika tidak ada eksposur risiko utama yang diketahui.

Namun, risiko yang lebih besar selalu terletak pada tidak mengetahui apa yang tidak Anda ketahui. Regulator telah mengambil sikap yang sangat keras terhadap kejahatan keuangan, memberikan denda besar kepada lembaga keuangan yang ditemukan kurang dalam proses dan sistem anti pencucian uang yang ketat.

Meskipun secara historis, kepatuhan anti pencucian uang lambat dalam mengadaptasi teknologi baru, peningkatan sanksi geopolitik, transaksi waktu nyata, dan Aktivitas ss-border juga menjadikannya penting bagi bank untuk meningkatkan tumpukan teknologi AML mereka yang ada dan mengikuti kecepatan transaksi keuangan global saat ini.

Mempertimbangkan pertimbangan di atas dapat membantu memastikan bahwa investasi Anda berikutnya dalam teknologi anti pencucian uang akan memberikan laba atas investasi yang diperlukan.

Solusi tersebut memberdayakan siklus anti-pencucian uang secara penuh, sehingga lembaga keuangan dapat memangkas biaya dan aktivitas kepatuhan, serta dengan cepat mengidentifikasi perilaku pelanggan yang tidak normal guna menghentikan aktivitas ilegal, menurut pengumuman tersebut.

Dibangun dengan basis Infrastruktur Awan Oracle (Oracle Cloud Infrastructure/OCI), aplikasi Pemantauan Transaksi dan Pelaporan Regulasi Layanan Awan Manajemen Kepatuhan dan Kejahatan Keuangan tersedia pada Rabu.

Dengan kriminalitas yang semakin canggih, bank-bank menengah berjuang untuk mengimbangi kompleksitas dan biaya dalam memerangi kejahatan keuangan. Demikian menurut Sonny Singh, Wakil Presiden Eksekutif sekaligus Manajer Umum Layanan Keuangan Oracle. Oracle memberikan dukungan dengan menghadirkan kemampuan pendeteksi kejahatan dan pelaporan modern yang serupa, yang diperuntukkan bagi institusi-institusi besar hingga bank menengah dalam paket yang sesuai dengan kebutuhan dan struktur biaya mereka masing-masing," imbuhnya