娶了UI設計師的Python工程師-北歐生活

本文為下篇，上篇請看此 連結 人工智慧應用於防制洗錢的方式： 從大數據中辨識可疑訊息 所有的網路資料，最初都是未整理的大數據，是非結構式的資訊。而 人工智慧 可自動判別非結構式的網路資訊，若偵測到跟金融交易或相關資訊，便能迅速提前通知，以有效防範詐騙或是大量金錢的異常出入。 人工智慧挖掘交易者的人際關係 問題帳戶背後所呈現的個體、群體交易聯繫，可讓 人工智慧 透過最短路徑算法搜尋洗錢個體之間的中介。比如：若是企業與企業之間帳戶，直接交易百萬金額，其洗錢疑慮較低；若是百萬金額分批從數個不同公司轉出，但共同轉入的相同的個人帳戶，其疑慮就比較高。 自然生成可疑活動報告（SAR） 根據 1970 年的銀行保密法（BSA），反洗錢技術通常不會在其他報告（例如：貨幣交易報告）下標記可疑活動。金融機構有責任在 30 天內就其認為可疑或異常的任何賬戶活動提交報告。如有必要收集更多證據，可延長不超過60天。 交易監控閥值 依循交易偵測需求（例如：金額、次數、天期…）可依需求於系統上自行調整，即時監控可疑交易。（例如：個人帳戶與企業帳戶分類不同，交易的監控標不同） 如何判別疑似洗錢的客戶交易 當消費者進行免臨櫃的線上開戶，要如何進行身份認證？如何確認消費者本人真的有交易的意願？歸功於 人工智慧 發展的突飛猛進，AI 擁有「了解你的客戶」（Know Your Customer，KYC）以及「了解你的員工」（Know your Employee，KYE）的反內部詐欺制度。 善用防制洗錢的 人工智慧 應用與技術，便能協助反洗錢的工作人員們能專心擬定更精明的應對策略、工作效率也隨之更高！    

從 2020 年開始， COVID-19  疫情所帶來的經濟破壞，導致消費者與金融機構間的交易迅速轉往線上支付。許多面臨物價通膨的民眾，在荷包不斷縮水的情況下開始思考，若只將錢存入銀行過於欠缺彈性，但是使用信用卡、銀行貸款或融資，卻侷限在個人的信用評比而有其限制。因此，非銀行體系的私人金融單位在前述狀況下得以興起；這些單位濫用網路的各種交易工具，利用個人以利滾利的投機心態，催生了購買資產、存入金融機構帳戶或匯至人頭帳戶等洗錢方式。 （示意圖／取自網路） 機會伴隨風險，需投入洗錢防制人力 獲得2020年度最佳「反洗錢解決方案」，全球數據分析領域領導者（SAS）、安侯建業聯合會計事務所（KPMG），及台灣反洗錢推廣協會（ACAMS）最新發布的反洗錢技術研究顯示，美國銀行業每年投入反洗錢的預算已高達 250 億美元，因此各國財政部試圖建立更加嚴謹精準的反洗錢機制。台灣的金融監督管理委員會，作為主管反洗錢政策的政府機關，則在2020年8月正式發布「金融科技發展路徑圖」，積極協助各金融機構尋求新的市場需求與價值，共同打造安全的金融科技生態圈。 目前大部分銀行均採用「規則基礎系統」（rules-based）的方法偵測非法洗錢。但是，面對系統每次數千甚至上萬筆警訊，卻只能先以人工過濾判斷。同時，隨著偵測技術與時俱進，相關工作人員也增加不少負荷心力。因此，在金融單位系統不見得有良好串接或資料管理，便需藉由新的科技工具主導改變環境。 金融資安守門員： 人工智慧 定義反洗錢新規則 在各國不斷構思下，經過改良的資安技術，不只可用來保障網路安全，同時也能減輕人力負擔。SAS 就許多國外金融機構發展的經驗指出，人工智慧（AI）和 機器學習 技術（ML），在反洗錢趨勢下不斷成長，超過半數以上（57%）受訪者已經在反洗錢程序中部署 AI/ML，或預計在 12-18 個月內設置這項技術。因此， 人工智慧 的運用不只作為產品服務面的多樣化，更成為金融業發展洗錢防制的核心技術，有助於在大數據中找出共通模式與連結，實踐資安的核心價值。 下篇請看此 連結