是的，机器人正在取代我们的工作。这是一件好事，我们应该为他们感到高兴，因为他们从事的那些工作有点糟糕。您真的想回到手动监控、标记和调查全球日常银行转账以寻找金融欺诈和洗钱计划的时代吗？新加坡最大的金融机构星展银行当然不会。该公司花费数年时间开发一种尖端的机器学习系统，该系统可高度自动化“交易监控”的细节处理过程，让人类分析师腾出时间来执行更高级别的工作，同时与束缚该行业的古老金融法规保持微妙的平衡。 .这是令人着迷的东西。 Thomas H. Davenport 和 Steven M. Miller 的AI 工作充满了来自无数科技行业的类似案例研究，着眼于常见的人机协作，并深入了解这些交互的潜在影响。
摘自与 AI 合作：Thomas H. Davenport 和 Steven M. Miller 的人机协作真实故事。经麻省理工学院出版社许可转载。版权所有 2022。
星展银行：人工智能驱动的交易监控
自 1970 年美国通过《银行保密法》（也称为《货币和外国交易报告法》）以来，世界各地的银行一直受到政府的追究，以防止洗钱、可疑的大量跨境流动金钱和其他类型的金融犯罪。星展银行是新加坡和东南亚最大的银行，长期以来一直专注于反洗钱 (AML) 和金融犯罪侦查和预防。星展银行的一位合规主管表示，“我们希望确保我们在银行内部有严格的内部控制，这样犯罪者、洗钱者和逃避制裁者就不会通过我们的银行或通过我们的国家系统渗透到金融系统中。 ，或国际。”
基于规则的监控系统的局限性
与其他大型银行一样，星展银行专注于这些问题的领域，称为“交易监控”，多年来一直利用人工智能来开展此类工作。此功能中的人员评估基于规则的系统引发的警报。这些规则评估来自整个银行许多不同系统的交易数据，包括消费者、财富管理、机构银行业务及其支付的交易数据。这些交易都通过基于规则的系统进行筛选，规则标记与与银行进行可疑交易的个人或实体相关的条件的交易——这些交易涉及潜在的洗钱事件或其他类型的金融欺诈。基于规则的系统——过去被称为“专家系统”——是最古老的人工智能形式之一，但它们仍然广泛用于银行和保险以及其他行业。
在星展银行和世界上大多数其他银行，这种基于规则的金融交易监控系统每天都会产生大量警报。基于规则的监视系统的主要缺点是大多数（高达 98%）生成的警报都是误报。交易的某些方面触发了一条规则，该规则导致交易在警报列表上被标记。然而，经过人类分析师的后续调查，事实证明，警报交易实际上并不可疑。
交易监控分析师必须跟进每一个警报，查看所有相关的交易信息。他们还必须考虑参与交易的个人的资料、他们过去的财务行为、他们在“了解你的客户”和客户尽职调查文件中声明的任何内容，以及银行可能知道的关于他们的任何其他信息。跟进警报是一个耗时的过程。
如果分析师确认交易有正当理由可疑或被证实为欺诈，银行有法律义务向有关当局发布可疑活动报告 (SAR)。这是一个高风险的决定，因此分析师必须做出正确的决定：如果不正确，守法的银行客户可能会被错误地通知他们正在接受金融犯罪调查。另一方面，如果“不良行为者”未被发现和报告，则可能导致与洗钱和其他金融犯罪有关的问题。
至少目前还不能消除基于规则的系统，因为大多数国家的国家监管机构仍然需要它们。但星展银行高管意识到，他们可以使用许多额外的内部和外部信息来源，如果使用得当，可以自动评估来自基于规则的系统的每个警报。这可以使用 ML 来完成，与基于规则的系统相比，它可以处理更复杂的模式并做出更准确的预测。
使用新一代人工智能能力加强监控
几年前，星展银行启动了一个项目，将新一代 AI/ML 能力与现有的基于规则的筛选系统相结合。该组合将使银行能够根据指示怀疑程度的数字计算概率分数，对基于规则的系统生成的所有警报进行优先级排序。机器学习系统经过培训，可以从最近和历史数据和结果中识别可疑和欺诈情况。在我们采访时，新的基于 ML 的过滤系统已经使用了一年多。系统审查由基于规则的系统生成的所有警报，为每个警报分配风险评分，并将每个警报分为高风险、中风险和低风险类别。这种基于规则的警报的“后处理”类型使分析师能够破译哪些立即优先处理（那些在较高和中等风险类别中）以及哪些可以等待（那些在最低风险类别中） .这个机器学习系统的一个重要功能是它有一个解释器，可以向分析师展示用于自动评估交易可疑概率的证据。 AI/ML 模型给出的解释和引导导航有助于分析师做出正确的风险决策。
星展银行还开发了其他新功能来支持对警报交易的调查，包括用于检测多方可疑关系和交易的网络链接分析系统。金融交易可以表示为网络图，将涉及的人员或帐户显示为网络中的节点，并将任何交互作为节点之间的链接。这种关系网络图可用于识别和进一步评估金融流入和流出的可疑模式。
与此同时，星展银行还用一个新平台取代了劳动密集型调查工作流程，该平台为分析师自动化了对与监测相关的调查和案例管理的大部分支持。称为 CRUISE，它集成了基于规则的引擎、ML 过滤器模型和网络链接分析系统的输出。
此外，CRUISE 系统为分析师提供了对整个银行所需的相关数据的轻松集成访问，以跟踪分析师正在调查的交易。在这个 CRUISE 环境中，银行还收集与分析师对案例工作相关的所有反馈，这些反馈有助于进一步改进星展银行的系统和流程。
对分析师的影响
当然，这些发展使分析师在审查警报时更加高效。几年前，DBS 交易监控分析师花费两个或更多小时查看警报的情况并不少见。这段时间包括前端准备时间从多个系统获取数据并手动整理相关的过去交易，以及评估证据、寻找模式并最终判断是否出现警报的实际分析时间成为善意的可疑交易。
在实施多种工具（包括 CRUISE、网络链接分析和基于 ML 的过滤器模型）后，分析师能够在相同的时间内解决大约三分之一的案例。此外，对于使用这些工具识别的高风险案例，星展银行能够比以前更快地抓住“坏人”。
在评论这与传统监控方法有何不同时，星展银行交易监控负责人分享了以下内容：
今天在星展银行，我们的机器能够从银行的各个来源收集必要的支持数据，并将其呈现在我们分析师的屏幕上。现在，分析师可以轻松查看每个警报的相关支持信息并做出正确决策，而无需搜索 60 个不同的系统来获取支持数据。机器现在为分析员做这件事的速度比人类快得多。它使分析师的生活更轻松，他们的决策也更加敏锐。
过去，由于实际限制，交易监控分析师只能收集和使用银行内部与审查警报相关的一小部分数据。如今，在星展银行，借助我们的新工具和流程，分析师能够根据对银行内几乎所有交易相关数据的即时、自动访问做出决策。他们在屏幕上以简洁的方式很好地组织了这些数据，带有风险评分，并在解释器的帮助下引导他们通过导致模型输出的证据。
星展银行投资于参与创建和使用这些新监控系统的员工的技能“提升”。受益于技能提升的员工包括交易监控分析师，他们具有侦查金融犯罪的专业知识，并接受过使用新技术平台和相关数据分析技能的培训。这些团队帮助设计了新系统，从识别风险类型的前端工作开始。他们还提供了输入来识别最有意义的数据，以及自动化数据分析和机器学习功能对他们最有帮助的地方。
当被问及这些系统未来将如何影响人类交易分析师时，星展银行合规主管说：
效率始终很重要，我们必须始终争取更高的水平。我们希望用更少的人来处理当前和未来监控工作中基于交易的方面，然后将腾出的能力重新投入到新的监控和欺诈预防领域。不良财务行为和不良行为者总是会出现未知的新维度，我们需要在这些类型的领域投入更多的时间和更多的人。在力所能及的范围内，我们将通过将我们在更标准的交易监督工作中获得的效率收益进行再投资来做到这一点。
交易监控的下一阶段
该银行的总体愿望是让交易监控变得更加综合和更加主动。高管们不仅仅依赖于基于规则的引擎生成的警报，还希望利用多个级别的集成风险监控来从“交易到账户到客户到网络再到宏观”级别进行整体监控。这种组合将帮助银行找到更多的不良行为者，并更有效地这样做。合规主管详细说明：
值得注意的是，洗钱者和逃避制裁者总是在寻找新的做事方式。我们的员工需要利用我们的技术和数据分析能力来领先于这些新兴威胁。我们希望腾出时间，让我们的员工花在繁琐的手动检查警报方面，并利用这些时间来跟上新出现的威胁的步伐。
人类分析师将继续在反洗钱交易监控中发挥重要作用，尽管他们使用时间和人类专业知识的方式将继续发展。
这位合规主管还分享了对人工智能的看法：“它实际上是增强智能，而不是风险监控中的自动化人工智能。我们不认为我们可以从最终决定中消除人为判断，因为在洗钱和其他金融犯罪的背景下，评估什么是可疑和不可疑总是会有主观因素。我们无法消除这种主观因素，但我们可以最大限度地减少人类分析师在审查和评估警报时所做的手动工作。”
我们从这个案例中吸取的教训
-
生成大量警报的自动化系统，其中大部分是误报，并不能节省人力。
-
可以组合多种类型的 AI 技术（在本例中为规则、ML 和网络链接分析）以提高系统的能力。
-
即使人工智能系统大大提高了工作效率，公司也可能不会减少从事工作的人数。相反，员工可以利用腾出的时间来处理工作中新的和更高价值的任务。
-
因为在复杂的商业交易的评估中总会有主观因素，人的判断可能不会从评估过程中消除。