AI belangrijk hulpmiddel voor opsporing financiële criminaliteit
Nederlandse banken en verzekeraars kwamen recentelijk in een kwaad daglicht te staan door enkele witwasaffaires. ING trof vorig jaar de hoogste schikking ooit in ons land, voor een bedrag van €775 miljoen, voor ernstige nalatigheden bij zijn compliance met anti witwasregels. En zo kopte recent een grote krant ‘Triodos moet meer doen tegen witwassen’. Ondanks de miljoenen die worden gespendeerd aan het tegengaan van financiële criminaliteit, blijkt het voor banken in de praktijk echter lastig om criminelen en frauduleuze klanten voor te blijven.
De omvang van financiële criminaliteit is de afgelopen jaren sterk gegroeid, zowel in volume als waarde. Door digitalisering wordt het eenvoudiger om inkomsten uit drugs, illegale prostitutie of andere criminele activiteiten voor overheden verborgen te houden of wit te wassen.
Banken en betaalaanbieders worden voor deze doeleinden misbruikt en zitten geregeld met hun handen in het haar, wanneer ze deze criminelen moeten bestrijden. Want zoals zo vaak in dergelijke kat- en muisspellen, trekken de fraudeurs over de hele linie aan het langste eind.
Strenger toezicht
Van banken worden echter meer inspanningen verwacht. Zowel van de toezichthouders als vanuit de politiek en maatschappij. Zo vindt DNB onder andere dat Nederlandse banken niet genoeg doen om witwassen te voorkomen. Nog belangrijker, ook klanten beginnen het beu te worden: banken die niet in staat zijn hun betaalsysteem te vrijwaren van illegale praktijken, lopen het risico forse reputatieschade op te lopen, en daarmee het aanzien en zelfs loyaliteit van hun klanten te verliezen.
In reactie op de toenemende druk zijn banken momenteel fors aan het investeren in het uitbouwen en professionaliseren van hun KYC- en AML-processen. KYC staat voor ‘Know Your Customer’, en houdt in dat banken (moeten) weten wie hun klanten precies zijn, dat verifiëren en vervolgens up-to-date houden. Door een betrouwbaar klantbeeld kan beter worden getoetst of transacties dubieus zijn of niet, en kan sneller geanalyseerd worden of er moet worden ingegrepen. AML is de afkorting voor ‘anti money laundering’ (anti-witwassen). Hiervoor bestaat nationale en internationale wetgeving, die banken dwingt om hun transacties te analyseren en ervoor te zorgen dat ze geen illegale activiteiten faciliteren.
Meer mankracht, meer armslag
Volgens schattingen van Banken.nl hebben ING, Rabobank en ABN AMRO de afgelopen periode de zoektocht naar personeel ter versterking van hun KYC- en AML-processen flink opgeschroefd. Zo zoekt ABN AMRO zo’n 400 analisten, Rabobank zo’n 250 en ING tenminste enkele honderden. En dat zijn enkel de grote banken.
Terwijl de extra mankracht zorgt voor betere opsporingsmogelijkheden van fraude, betekenen de vrijwel oneindige hoeveel data die voorhanden is dat er ook een uitvoerigere aanpak nodig is, waarbij de kracht van technologie wordt ingezet. Machines zijn niet alleen in staat de handelingen van tientallen, zo niet honderden mensen uit te voeren, ze bieden ook mogelijkheden die onze menselijke vermogens te boven gaan. Zo kunnen intelligente machines in slechts enkele minuten miljoenen datapunten doorlopen, en zo patronen herkennen en abnormaal gedrag in kaart brengen.
“Technologie en artificial intelligence (AI) zijn niet meer weg te denken uit de toekomst van KYC en AML”, zegt Mathyn Scheerder, Consultant Finance en Risk bij Solid Advisory. Want, “het controleren van alle klanten en transacties is een onbegonnen zaak”, voegt Diederick Levi, ook Consultant Finance en Risk bij het Utrechtse adviesbureau, toe. Het duo kan bogen op jarenlange ervaring in het finance/tech-speelveld, en benadrukt het enorme verbeterpotentieel dat voor banken in het verschiet ligt.
Know Your Customer
Alles valt en staat om te beginnen bij KYC. “Dit vergt een enorme inspanning van medewerkers, aangezien er allerlei gegevens van klanten geïdentificeerd moeten worden en vervolgens opgeslagen”, zegt Scheerder. Door het gebruik van AI kunnen banken eerder in kaart brengen waar de knelpunten liggen, en effectiever herkennen waar fouten zijn gemaakt, bijvoorbeeld door onjuiste handmatige invoer. “Een goed voorbeeld hiervan is de auto-encoder: een deep learning-techniek die verbanden in data kan herkennen en fouten snel kan aanwijzen”, legt Scheerder uit.
Terwijl deze techniek goed werkt voor grote hoeveelheden data, kan deze ook goed worden toegepast in het geval van specialistische vraagstukken. “Neem de classificaties van bedrijven als voorbeeld”, zegt Levi. “Veel klanten kunnen niet eenduidig geclassificeerd worden: Wordt een klant geclassificeerd onder de lokale branche of daar waar het hoofdkantoor van de klant staat? Wie is de uiteindelijk begunstigde eigenaar?” Dit zijn in de regel complexe vraagstukken, die veel tijd en energie vergen van medewerkers. Door deze vraagstukken te automatiseren, kunnen werknemers worden vrijgemaakt om hun inspanningen te richten op andere waardetoevoegende taken.
AI-toepassingen voor KYC-processen kunnen end-to-end worden toegepast. Zo kan AI worden ingezet aan de voorkant (nieuwe klanten) maar ook aan de achterkant, waar het van belang is om data continu op orde te hebben. Levi licht toe: “Het op orde houden van datakwaliteit legt de basis voor het tegengaan van financieel-economische criminaliteit en is bovendien belangrijk voor compliance aan de vereisten vanuit de Wwft*.”
Analyse van transacties
Gedurende haar relatie met de klant is de financiële instelling verplicht de transacties te monitoren en ongebruikelijke transacties te melden bij de toezichthouder. Een toepassingsgebied voor AI in de transactieomgeving is Exceptional Model Mining (EMM).Scheerder legt uit: “Hierbij worden groepen transacties geïdentificeerd die afwijken van de normale transactiepatronen. De gevonden afwijkende groepen transacties moeten vervolgens worden gecontroleerd door een fraude-expert. Wat ‘afwijkend’ gedrag precies inhoudt en of dit gedrag ook fraude betreft, is immers subjectief. Het toepassen van meer geavanceerde detectietechnieken zoals een EMM levert echter wel een efficiëntieslag op. Het wordt duidelijker op welke zaken de focus van de expert moet liggen.”
“AI is een sterk hulpmiddel waarmee banken de trade-off tussen hun Precision- en Recall-drempels kunnen analyseren en optimaliseren”
– Diederick Levi, Solid Professionals
De kracht van AI zit hem ook in zijn ‘learning’-capaciteit. Terwijl AI-systemen zeer goed zijn in het voorspellen in welke mate een transactie ongebruikelijk is, ligt de uiteindelijke verantwoordelijkheid bij de ‘financial crime’-expert. Deze inspecteert de transactie, en als hij of zij deze als ‘echt ongebruikelijk’ beoordeelt, wordt deze daarna ook getoetst door de Financial Intelligence Unit, een overheidsinstantie die alle ongebruikelijk transacties checkt.
Vanuit dat proces kunnen banken allerlei lessen trekken – in sommige gevallen zijn ze te streng op het achterhalen van ongebruikelijke transacties (wat meer onnodig werk oplevert), maar aan de andere kant van de medaille, zijn ze soms juist te coulant, waardoor ze (te) veel criminele transacties niet weten te spotten.
Sterk hulpmiddel
“AI is een sterk hulpmiddel waarmee banken de trade-off tussen hun Precision- en Recall-drempels kunnen analyseren en optimaliseren”, geeft Levi aan. Door AI toe te passen, in combinatie met benchmarks die grote datasets beslaan, kunnen grote stappen gezet worden: “Niet alleen ten aanzien van compliance, maar ook in de dienstverlening naar klanten toe”, besluit de Solid-adviseur.
* Wwft is de Wet ter voorkoming van witwassen en financieren van terrorisme.
