Nos últimos anos, as técnicas de aprendizado profundo provaram ser extremamente valiosas para abordar uma miríade de problemas de pesquisa e prática. Pesquisadores da Feedzai, uma empresa de ciência de dados financeiros com sede em Portugal, demonstraram o potencial do aprendizado profundo para a prevenção e detecção de atividades ilegais de lavagem de dinheiro.

Em palestra no 3ª Conferência Internacional ACM sobre IA em Finançasa equipa do Feedzai apresentou o LaundroGraph, um modelo de automonitorização que poderá simplificar o complicado processo de revisão de grandes volumes de interações financeiras transações suspeitas ou troca de dinheiro. Seu modelo é baseado em uma rede neural de grafo, uma rede artificial rede neural (ANN) projetado para processar autonomamente grandes quantidades de dados que podem ser representados como um gráfico.

“Queríamos fortalecer nossa solução AML e depois de identificar os principais problemas com o atual processo de revisão AML, pensamos em soluções para enfrentar esses desafios usando IA”, disse Mario Cardoso, cientista de dados de pesquisa da Feedzai, ao TechXplore.

“O AML é particularmente desafiador devido à escassez de rótulos e ao fato de que o contexto em torno dos movimentos financeiros, particularmente as entidades envolvidas e as características de cada transação, são críticos para a tomada de decisões informadas. Diante desses desafios, buscamos criar uma abordagem de aprendizado de máquina que pudesse dar suporte a analistas humanos e facilitar a revisão de AML.”

buscar a verificação de interações financeiras atividade suspeita pode ser uma tarefa muito tediosa e demorada para analistas humanos. Cardoso e seus colegas decidiram simplificar bastante essa tarefa usando Técnicas de Aprendizagem Profundaque são conhecidos por serem particularmente bons em analisar grandes quantidades de dados.

LaundroGraph, o modelo que eles criaram, pode codificar clientes bancários e transações financeiras e transformá-los em representações gráficas significativas. Esses gráficos podem orientar o trabalho dos analistas de combate à lavagem de dinheiro, destacando movimentações anômalas de dinheiro para clientes específicos, sem a necessidade de examinar históricos inteiros de transações.

“O LaundroGraph gera representações comportamentais densas e sensíveis ao contexto, desacopladas de quaisquer rótulos específicos”, explicou Cardoso. “Ele faz isso aproveitando as informações estruturais e de recursos de um gráfico por meio de uma tarefa de previsão de ligação entre clientes e transações. Definimos nosso gráfico como um gráfico de transação de cliente em duas partes que criamos usando dados brutos de movimentação financeira.”

Os pesquisadores da Feedzai avaliaram seu modelo em uma série de testes, avaliando sua capacidade de prever transferências suspeitas em um conjunto de dados de transações reais. Eles descobriram que seu poder preditivo era significativamente maior do que outros métodos de base desenvolvidos para apoiar os esforços de combate à lavagem de dinheiro.

“Como não requer rótulos, o LaundroGraph se presta a uma variedade de aplicativos financeiros do mundo real que podem se beneficiar de dados estruturados graficamente”, disse Cardoso. “Nosso artigo propõe alavancar essas incorporações para fornecer informações que podem acelerar o processo de verificação da detecção de AML, mas essa abordagem pode ser estendida a outros casos de uso (por exemplo, fraude), e as incorporações podem servir a uma variedade de propósitos além do insights que estamos analisando (por exemplo, enriquecimento de recursos).”

No futuro, a LaundroGraph poderá ajudar analistas financeiros e agentes anti-lavagem de dinheiro em todo o mundo na triagem de grandes quantidades de transações financeiras, o que os ajuda a identificar atividades anômalas com mais rapidez e eficiência. Cardoso e seus colegas agora querem desenvolver ainda mais seu modelo enquanto exploram seu potencial para resolver outros problemas financeiros.

“Direções futuras para nossa pesquisa incluirão experimentos em casos de uso adicionais, como trapaça e exploração de outros insights/tarefas que podem ser ativados ou aprimorados pelas incorporações, por exemplo, B. usando as incorporações como um ponto de partida informativo para um rótulo – quase nenhuma previsão de downstream”, acrescentou Cardoso.

© 2022 Science X Network