Financiële criminaliteit beter bestrijden met artificial intelligence

Teams belast met het bestrijden van financiële criminaliteit hebben geen gemakkelijke taak. Niet alleen moeten ze miljarden transacties nauwkeurig controleren en beoordelen, ook wordt van ze verwacht dat ze een goede klantervaring bieden én voldoen aan continu veranderende wet- en regelgeving. Maar er is hoop: artificial intelligence kan uitkomst bieden. 

Ruben Velstra en Michel Witte zijn beiden werkzaam voor financial services consultancykantoor Delta Capita. Zij pleiten voor de inzet van artificial intelligence (AI) in de strijd tegen financiële criminaliteit. 

Want AI-technologie – en in het bijzonder machine learning – kan volgens de twee experts uitkomst bieden bij de diverse uitdagingen waar deze financiële teams mee te maken krijgen. Denk aan tal van uitdagingen van operationele aard, zoals personeelstekorten of inefficiënte processen en werkstromen.

“Automatisering biedt verschillende kansen voor financial crime-functies”, trapt Velstra af. “Neem het segment van anti-witwassen. AI-oplossingen kunnen de productiviteit verbeteren door risicovolle situaties te identificeren die menselijke interactie vereisen. Ook kunnen ze bijvoorbeeld verborgen risico’s tussen silo’s opsporen.”

Witte geeft een ander voorbeeld: “AI-oplossingen zijn in staat de transacties van klanten gedurende hun hele levenscyclus te volgen en kunnen deze omzetten in gedragsinformatie. Hierdoor kunnen financial crime-teams razendsnel toegang krijgen tot ‘profielen’ van klanten, in tegenstelling tot wanneer dit proces handmatig verloopt.”

Dit is echter gemakkelijker gezegd dan gedaan. Want in de praktijk staat de toepassing van kunstmatige intelligentie nog in de kinderschoenen. “Het is echt nog een niche, vooral gedreven door de echte technologieliefhebbers”, zegt Witte. “Dat komt vooral door de diverse uitdagingen waar teams gaandeweg mee te maken krijgen.” 

De grootste uitdagingen kunnen volgens het duo worden onderverdeeld in drie groepen: (1) vaardigheden, (2) de kwaliteit en beschikbaarheid van data en (3) transparantie en begrip.

Vaardigheden

“Voor de adoptie van AI hebben financiële instellingen de neiging externe specialisten aan boord te halen – data science-experts of op interne ratings gebaseerde modelspecialisten, die niet altijd ervaren zijn in het gebruik van AI”, merkt Witte op.

“Het gebruik van AI om klantgedrag te analyseren vereist een meer proactieve, risicogebaseerde en klantgerichte benadering.”

AI-vaardigheden zijn volgens hem allang niet meer exclusief voorbehouden aan de zogeheten ‘number-crunchers’ en ‘data wizards’: “Steeds meer mensen kunnen zelfstandig analytics toepassen zonder complexe technieken. Algoritmen worden steeds vaker automatisch gegenereerd, waardoor de vereiste expertise verandert.” 

Voorwaarde om dit zelf op te pakken is volgens Witte wel dat bedrijven deze vaardigheden bij hun eigen personeel dienen te trainen, zodat zij in staat zijn de “resultaten goed te begrijpen en te interpreteren”.

Het werven en vinden van geschikte mensen om de AI-technologie effectief in te zetten kan echter een flinke uitdaging zijn. Toch zullen organisaties op zoek moeten gaan naar de juiste aanvullende expertise, zodat ze binnen hun teams beschikken over een juiste mix van technische en financial crime-expertise.

“Het omgaan met waarschuwingen of signalen vanuit AI-systemen vereist ook andere perspectieven voor operationele analisten”, geeft Velstra aan. “Regelgebaseerde systemen beschikken veelal over zwartwit-besluitvormingsprocessen. Het gebruik van AI om klantgedrag te analyseren vereist echter een meer proactieve, risicogebaseerde en klantgerichte benadering – en ook een groter, professioneel beoordelingsvermogen.”

Kwaliteit en beschikbaarheid van data

Zoals bij zoveel computersystemen geldt: ‘garbage in is garbage out’ (GIGO). Met andere woorden: gebrekkige of onzinnige inputdata leiden tot output van lage (lees: nietszeggende) kwaliteit. Aan financiële instellingen dan ook de taak om, wanneer ze over geavanceerde AI-systemen beschikken, te zorgen voor een constante stroom aan betrouwbare data-input. Toch ontbreekt het volgens Witte nog vaak genoeg aan een dergelijke kwalitatieve datastandaard. 

“Financiële instellingen hebben moeite om alle klantdata up-to-date te houden”, legt hij uit. “En klantgegevens worden vaak gedupliceerd in interne systemen of opgeslagen in silo’s. Als informatie bijvoorbeeld is opgezet op basis van productlijnen in silo’s kan dit het moeilijk maken om gegevens automatisch en holistisch te analyseren.”

Interpretatie van data is key

Volgens Velstra is het zaak dat instellingen “bouwen aan hun capaciteiten”, als het gaat om het “goed kunnen interpreteren van data” en met het oog op “transparantie van data”. Want dat machines betrouwbare data-input goed kunnen verwerken is slechts één kant van de medaille. “Wanneer deze vervolgens niet goed wordt begrepen of geïnterpreteerd door de werknemers, dan is deze kwalitatieve data alsnog waardeloos”, stelt Velstra.

En dat gebrek aan interpretatie kan er vervolgens toe leiden dat bedrijven niet goed kunnen voldoen aan veranderende wet- en regelgeving, met alle gevolgen van dien.

“Instellingen moeten zich ervan bewust zijn dat data een ‘bias’ kunnen bevatten.”

Velstra vervolgt: “Het gebruik van AI binnen financial crime is nog steeds controversieel, vooral onder toezichthouders. Zeker als het wordt ingezet als alternatief in plaats van als aanvulling op traditionele methodieken.” 

De recente rechtszaak tussen Bunq en DNB laat dit spanningsveld goed zien. Daarom is het belangrijk te benadrukken dat data en analysemodellen ethisch verantwoord worden gebruikt. “Instellingen moeten zich ervan bewust zijn dat data een ‘bias’ (vooroordeel) kunnen bevatten”, aldus Velstra. “In dat geval zouden ze de automatische besluitvorming moeten herconfigureren, zodat auditors het kunnen zien. Ook handmatige beveiligingen of rigoureuze tests zijn noodzakelijk.” 

Velstra haalt een recent voorbeeld aan van een Duitse bank die per ongeluk de rekeningen van honderden klanten blokkeerde, nadat de bank hun automatische controles had aangescherpt. De daaropvolgende reputatieschade laat goed de mogelijke risico’s zien wanneer de bovenstaande punten niet adequaat worden aangepakt.

Hoe data en technologie kunnen helpen

De eerste stap om al deze uitdagingen aan te pakken, zo bepleiten Velstra en Witte, is om data zowel als een uitdaging als een kans te zien. De onderliggende problemen moeten niet alleen vanuit het perspectief van financiële criminaliteit worden aangepakt, maar juist vanuit een veel bredere scope.

“Commerciële initiatieven kunnen bijvoorbeeld baat hebben bij klantgerichte datastructuren”, stelt Witte. “Instellingen moeten informatie naadloos updaten door deze te koppelen met officiële openbare bronnen, zoals Kamers van Koophandel, en door regelmatig klanten te vragen hun data te valideren.” 

Verder waarschuwt Velstra dat instellingen nog steeds “goed moeten nadenken over de beslissing om AI-technologie te maken of te kopen”. Het kan verleidelijk zijn om een eigen AI-systeem te bouwen om de tussenpersoon er tussenuit snijden, maar niet elke instelling is in de positie om gespecialiseerde teams samen te stellen om een dergelijk project te verzorgen. In dat geval zijn er “effectieve, toegewijde derde partijen beschikbaar”, waar vervolgens ook gebruik van gemaakt zou moeten worden. 

“Financiële instellingen die op hun interne capaciteiten vertrouwen, moeten de juiste balans vinden tussen voortdurend experimenteren en het regelmatig in productie nemen van relevante AI-toepassingen”, aldus Velstra.

“Zoals we hebben benadrukt, is kunstmatige intelligentie niet gemakkelijk in te voeren”, besluit Witte. “Maar als we ons bewust zijn van de uitdagingen en een solide strategie ontwikkelen, kunnen we tal van mogelijkheden creëren. De tijd is rijp om de vruchten ervan te gaan plukken.”