欧洲各地金融监管机构继续对未能遵守了解你的客户（KYC）和反洗钱（AML）法规的银行征收高额执法罚款。2021 年底，英国金融行为监管局 FCA 向英国最大的两家银行 —— 汇丰银行 HSBC 和 NatWest（国民西敏寺银行）开出总额达 3.2895 亿英镑（合 4.361 亿美元）的罚单，原因是反洗钱过程存在缺陷。
同时，由于非法组织持续寻求通过金融系统开展洗钱的新途径，欧洲议会成员呼吁将加密货币纳入欧盟委员会反洗钱局的管辖范围。
洗钱是指犯罪分子用以隐瞒资金非法来源的过程。通过多次（甚至是复杂的）转移和交易，“清洗”掉非法来源，伪装成合法的商业利润。
在数字银行、在线开户、开放式银行和加密货币等领域的技术进步，使金融机构及其监管部门在追踪资金来源、发现可疑模式和行为方面的资源投入大大增加。犯罪组织滥用金融系统的方式越来越复杂，传统的自动化方法根本无法应付，也无法跟上技术的快速发展。
因此，人工智能（AI）是银行机构和监管部门可用的最有潜力的反洗钱工具之一。这一工具可视为计算机系统的发展，可以自主执行任务，摄取和分析大量数据，然后识别数据中的模式。
人工智能工具主要专注于系统开发，完成原本需要人类智慧才能完成的任务，而且速度超越任何个人或团体。金融机构在业务过程中使用人工智能，为从资本市场领域的风险管理到消费金融领域的客户支持型虚拟助理等应用程度提供技术动力。
预防欺诈是人工智能在金融服务领域的另一个优先用例。事实上，作者所在的英伟达公司（NVIDIA）在 2022 年进行的研究表明，五大人工智能投资用例中，其中两个用例为“欺诈检测：交易和支付”以及“欺诈检测：反洗钱和了解您的客户”。
人工智能为何能作为有效的反洗钱工具？
首先，人工智能模型和算法可以使用并合成大量数据。输入的数据不限于传统类型的表格数据（即交易分类账），还可以包括非结构化数据（即音频、视频和地理空间输入数据）。此外，人工智能可以摄取数据，并在近乎实时的基础上采取行动，使监管部门能够同步了解非法行为者的动向，不致于落后数天或数周。
人工智能模型用于探测所摄取的数据模式中的异常情况，并根据预期基准对异常行为进行评分，如果可能发生恶性互动，则向银行合规主任发出警报。与警报相关的调查通常由银行内部合规人员主导，因此将耗费大量时间和金钱。
基于规则的传统方法（也即：现代人工智能工具兴起之前的常用方式），误报率很高，导致调查人员的大量宝贵时间浪费在被误报的交易上。
运用知识图谱改革欺诈检测方式
因此，知名银行正准备采用人工智能深度学习技术，如 GAN（生成式对抗网络）和 GNN（图形神经网络）。如果提供足够的金融交易历史数据，基于深度学习的方法比基于规则的方法更具有模式匹配优势，因为它们可以运用类推学习欺诈方案，然后利用人工智能，从数据中识别有效的欺诈手段。
举例说明，GAN（生成式对抗网络）可以从训练数据进行类推，识别出表明存在洗钱活动的交易模式。也就是说，在向其展示真实情况下出现的若干模式之后，相应的深度神经网络（DNN）可对示例进行类推，识别出类似模式和修改后模式，这些修改后模式绕过静态规则、但与旧有模式类似，因此仍可被 DNN 所捕获。这样使得犯罪分子更难逃检测。对以往洗钱模式稍作调整，绕过一套相对静态的规划，这一行为将不再有效。
与 GAN 一样，GNN 也是一种 DNN 技术，调查员可使用这一技术，评估任何数目当事方之间的关系，标出潜在洗钱行为。这一技术的设想是：根据表格数据建立异构图，并训练 GNN 模型检测可疑交易和复杂的洗钱活动，这是因为，犯罪分子会通过小组合作，以此隐藏异常交易特征，但仍会留下之间来往关系的痕迹。
GNN 模型能够进行关系识别，这点至关重要，因为人工智能可以识别以前未能识别的实体之间的关系。凭借捕捉关系的优势，GNN 比传统模型更有能力检测出合作型洗钱活动。
人工智能能够对银行反洗业务产生积极影响，这一点通过瑞典银行（Swedbank）、Hopsworks 和英伟达之间最近的合作得到了证明。这一实例中，瑞典银行和 Hopsworks 训练 GAN 工具，作为该行预防欺诈和洗钱战略的部分工作。与当前基于规则的系统相比，使用该解决方案，瑞典银行能够将误报率降低 99%，并预计在五年内可将调查人员的效率（相对于调查时间）提升 50% 以上。
除了利用人工智能进行公司内部的数据摄取和分析外，联合学习技术将使各部门、管辖区和公司之间的数据共享得到改善，因为该技术能够确保数据主权和隐私法规的合规。
可供人工智能模型分析的数据量更大，这将极大地提高模型的准确性，并更有效地遏制不良行为的洗钱行为。此外，机器人流程自动化和光学字符识别等人工智能技术，将有助于调查人员的文件分析工作，进一步提升效率，减少整个过程的错误率。
汤森路透为企业提供反洗钱合规学习，可点击一些按钮申请课程试用。
