Wykorzystanie sztucznej inteligencji (ang. Artificial Inteligence, w skrócie AI) przez zobowiązane instytucje finansowe stwarza dużo nowych możliwości w procesie wykrywania transakcji powiązanych z praniem pieniędzy – do takich wniosków doszli uczestnicy konferencji zorganizowanej przez ING Hubs Poland i ACAMS Poland Chapter: „W pogoni za przyszłością: Jak operacjonalizacja modeli AI może zwiększyć wydajność i skuteczność procesów przeciwdziałania przestępstwom finansowym”. Spotkanie krajowych i międzynarodowych ekspertów odbyło się 25 listopada w siedzibie Giełdy Papierów Wartościowych w Warszawie. Wydarzenie otworzył Karol Wojtczak, członek zarządu ACAMS Poland Chapter oraz szefa ds. operacji monitoringu transakcji w ING Hubs Poland, który serdecznie przywitał zgromadzonych w centrum polskich finansów.

Mówiąc o przeciwdziałaniu praniu pieniędzy (ang. Anti-Money Laundering, w skrócie AML), wspomniał o wiodącej roli Departamentu Informacji Finansowej Ministerstwa Finansów, który wykonuje zadania Generalnego Inspektora Informacji Finansowej, pełniąc funkcję polskiej Jednostki Analityki Finansowej (ang. Financial Intelligence Unit – FIU, przyp. red). Jednostka ta odpowiada za zbieranie, analizę i przekazywanie odpowiednim organom informacji finansowych dotyczących podejrzanych przepływów finansowych oraz potencjalnego finansowania terroryzmu.
- Polska Jednostka Analityki Finansowej bierze udział w międzynarodowej wymianie informacji pomiędzy FIU z różnych krajów UE oraz innych jednostek przeciwdziałających praniu pieniędzy – powiedział Karol Wojtczak. Dzięki pozyskiwanym przez nią informacjom, GIIF jest kluczowym aktorem w krajowym system przeciwdziałania praniu pieniędzy oraz finansowaniu terroryzmu. Polska zaś odgrywa rolę hubu AML dzięki rozwojowi centrów usług wspólnych (ang. Shared Services) w tym obszarze.

Nowe prawo w walce ze starymi problemami

Gościem specjalnym wydarzenia był Michał Szermer, Dyrektor Departamentu Informacji Finansowej w Ministerstwie Finansów. W swoim wystąpieniu omówił on planowane regulacje prawne związane z implementacją unijnego pakietu AML, czyli m.in. zmiany polskiej ustawy AML, która jest fundamentem prawnym dla działań mających identyfikować, monitorować i zapobiegać nielegalnym działaniom finansowym.

- Jedną z głównych kwestii, którymi się obecnie zajmujemy, są zmiany w prawie europejskim oraz sposób w jaki zaadoptujemy je do polskich przepisów AML. Drugim priorytetem jest digitalizacja i automatyzacja obsługi ogromnych ilości danych, które są przetwarzane przez Jednostkę Analityki Finansowej, dlatego pracujemy nad nowymi innowacyjnymi rozwiązaniami IT. Obszarem, który w nadchodzącym roku planujemy zaktywizować, jest zwiększenie poziomu współpracy między jednostkami sektora publicznego i prywatnego w kwestiach wykrywania przestępstw prania pieniędzy i finansowania terroryzmu. W tym celu powoływane są specjalne grupy robocze organizowane przy Komitecie Bezpieczeństwa Finansowego – mówił Szermer. Podczas wystąpienia zapowiedział również wprowadzenie nowego systemu informatycznego (SIGIIF 2.0), w którym narzędzie goAML autorstwa UNODC umożliwi przekazywanie zawiadomień w ustrukturyzowany sposób (e-SAR), co usprawnieni przepływ informacji z instytucjami obowiązanymi i docelowo poprawi efektywność polskiego systemu przeciwdziałania praniu pieniędzy oraz finansowaniu terroryzmu.

W trakcie swojego wystąpienia przedstawił też harmonogram wdrażania do polskiego systemu prawnego wspomnianych wcześniej przepisów unijnych, czego będą dotyczyły zmiany i uściślenia oraz jak w przyszłości będzie wyglądała ich realizacja.

W panelu dyskusyjnym, który nastąpił po prezentacji przedstawiciela Ministerstwa Finansów udział wzięli eksperci z różnych stron świata zajmujący się przeciwdziałaniem praniu pieniędzy. Dyskutowano o sztucznej inteligencji oraz roli jaką może odegrać w usprawnieniu procesów AML.

- Trzeba pamiętać, że uczenie maszynowe wykorzystywane do budowania AI istnieje od dawna. Jest dobrze zakorzenione w technologii i szeroko wykorzystywane. Modele sztucznej inteligencji wykorzystywane w przeciwdziałaniu praniu pieniędzy, są wpierw uczone na ogromnych zbiorach danych, tak by mogły następnie przewidzieć ryzyko związane z kolejnymi transkacjami – mówił Boyang Zhao, starszy menadżer ds. budowania modeli uczenia maszynowego w zapobieganiu przestępczości finansowej w ING.

Jak podkreślił, obecnie wkłada się wiele wysiłku w implementację tego typu modeli, tak by mogły przewidywać różne wyniki w kontekście rozwiązań AML. - To, co model stara się znaleźć, to pewne wzorce oparte na określonych założeniach i poinformować o tym człowieka – dodał Zhao.

Ludzie muszą zrozumieć sztuczną inteligencję

Podstawą zrozumienia i zaufania do systemów AI jest wiedza. - Musimy pomóc ludziom, którzy nie mają stopni naukowych w dziedzinie przetwarzania danych, w zrozumieniu, czym jest uczenie maszynowe oraz sztuczna inteligencja, a także, jak można je wykorzystać w praktyce – zaakcentował Tom Hammond, dyrektor ds. technologii zwalczania przestępczości finansowej, PwC UK. Według ekspertów, skuteczna implementacja modeli w organizacji zależy w dużej mierze od tego, kto ją wdraża. - Muszą być do tego odpowiedni ludzie – podkreślił Hammond.

- Implementacja modeli AI w AML stanowi wyzwanie i zazwyczaj trwa znacznie dłużej niż ktokolwiek zakładał. Na pewnym poziomie, wszystkie instytucje związane z AML muszą się też dzielić tym co robią, by te modele działały coraz lepiej –powiedziała Jocelyn Norval, globalna szefowa ds. monitoringu transakcji, ING. Ponadto przypomniała, że modele sztucznej inteligencji mogą zawierać błędy. Pytaniem jest, ile może być błędów w pracy maszyny versus w pracy człowieka oraz jaka ich ilość w poszczególnych modelach jest dopuszczalna. Konieczne jest również odpowiednie przedstawienie wykorzystywanych modeli regulatorom. Po stronie Generalnego Inspektora Informacji Finansowej implementacja rozwiązań AI będzie stanowiła podobne wyzywanie. – zauważył Michał Szermer.

O obawach związanych ze zastosowaniem sztucznej inteligencji mówił z kolei dr Błażej Podgórski, dyrektor programu studiów „Analityk Compliance i AML” z Akademii Leona Koźmińskiego. Według niego uczenie maszynowe ( ang. machine learning) wykorzystywane w procesach AML to de facto ogromne zbiory danych i statystyka. - Nie jest to rewolucja, która zabierze nam pracę, ale bardziej ewolucja tego, w jaki sposób pracujemy. Ważne, żebyśmy nauczyli się, w jaki sposób omawiane tutaj modele wykorzystywać w pracy, jak ich używać do przesiewania danych by generowały kolejne modele – mówił dr Błażej Podgórski.

Sztuczna inteligencja może nam pomóc w realizacji zadań, które nie wymagają niestandardowego podejścia, ale sama w sobie nie wystarczy do skuteczniejszej walki z przestępczością finansową.

- Czynnik ludzki będzie tu jednak najważniejszy, bo tylko my potrafimy kreatywnie myśleć. AI jest dobre do wykonywania powtarzalnych czynności, ale w ostatnim momencie potrzebujemy magicznego czynnika ludzkiego, który dzięki kolejnym zapytaniom (tzw. promptom) w bazie może „dokalibrować” odpowiedź – stwierdził dr Podgórski. Zgodzili się z nim także inni, biorący udział w debacie eksperci.