loader

隨著亞太洗錢防制組織(APG)抵台正式展開評鑑,反洗錢這個議題也再度躍上檯面,成為台灣金融圈熱烈討論的話題。如何善用新型態機器學習技術來防制可疑洗錢交易,也成為金融業引進智能科技的新型態手法。

過去二年來,洗錢防制在金融圈熱度不減,一來因為美國金融服務署(DFS)開始針對國內外各知名銀行,針對洗錢防制疏失開罰鉅額罰款,震驚整個台灣社會;二來則是APG評鑑結果將關乎台灣金融業的海外市場業務競爭力與國際形象,因此從政府到產業界都非常重視這一次的評鑑。

銀行為因應監管機關法規,從上到下所受衝擊之大,實非外人所能想像。為遵循法規要增列的洗錢調查或身分確認作業流程,不僅造成第一線行員的工作量激增、加以目前許多銀行所採用的反洗錢系統誤判率高,甚至沒有導入系統,也讓監控效率不佳,隨之,經辦人員也因反覆的調查詢問引發顧客負面情緒,直接帶來服務聲譽的影響。

一般反洗錢系統,只是單純從系統所設定的參數去篩選交易,只要符合參數設定就可能是異常交易,這種非白即黑的作法,沒有考量到交易背後的其他可能因素,難免容易出現誤判。

為了解決誤判問題,反洗錢系統要能有人工智慧與機器學習的底層技術,從大量交易資料中偵測真警示與假警示,並歸納出異常資料的特徵值(pattern),進而判斷該筆交易為洗錢交易的風險值,數值越大,越有可能是洗錢交易,也是銀行要優先確認的對象。

為了讓機器學習,分析資料的面向廣度跟連結度要夠,須結合客戶型態、帳戶型態、帳戶特性、產業別、帳戶餘額、地理資訊(如:避稅天堂)、郵遞區號、交易產品類型(非面對面交易,如:網銀轉帳)等資訊去做判斷,並加入自主學習誤判的變因,才能達到精準。