金融機関の様々な分野で人工知能の活用が試みられています。マネー・ロンダリング対策（AML）への応用では、実証実験による効果が確認され、金融当局も不正対策のイノベーションを後押ししていることから本格導入が始まる状況です。昨今発刊したレポート「Key Trends Driving AML Compliance Transfomation in 2021 and Beyond」と「Top 10 Trends in Fraud & AML, 2021: Onward and Upward」から概要をまとめてみました。
■ マネー・ロンダリング対策（AML）の課題
国連では、マネー・ロンダリング（資金洗浄：麻薬取引など違法行為に関連した海外送金など）の総額は、グローバルで年間2兆ドルに達しているが、把握できるているのは1%しかないと推計している。
世界各国の金融当局は、増え続けるマネー・ロンダリング対し、これまで用いられてきた対策（ルール・ベース・アプローチ）では進化する脅威を適切に把握できないとして、リスク・ベース・アプローチ（該当トランザクションをスコアリングなど総合的にダイナミックに評価する手法）を推奨、新しいテクノロジーを活用したイノベーションを後押ししている。
金融機関にとっては、AMLの高度化は、犯罪防止強化に加えて、不適切なAMLにより規制当局から罰金を科せられたり、レピュテーション・リスクをこうむることへの対策としても重要だ。犯罪件数が年々増え、手口も常に変化するため、AML強化策も立ち止まることを許されない。
■ 人工知能活用：金融機関の認識
これまで銀行のAMLは、ルール・ベース・アプローチ（例：新規口座開設や送金依頼の対象国/送金先をブラック・リストと自動照合してアラートを出し、アラート分を人間が精査/判断する等）が用いられてきたが、アラート数が増え続けているため、これまでの仕組み/体制では適切な精査の限界に達している。
金融機関では、スクリーニングの精度を向上させ、アラート数を減らす（＝フォルス・ポジティブを減らす）ことができれば、同じ体制でより多くのトランザクション件数を処理できると認識しており、RPAや機械学習など人工知能の実証実験を進めていたが、以下3つの分野において導入する銀行が次第に増加している。
■ 人工知能の適用分野
（１）情報収集の効率化
アラート精査業務の第一歩は、該当トランザクションに関連する各種データの収集だが、RPAを導入することで人間が行っている情報収集作業を自動化でき、要員は集まったデータを基にした判断業務に集中できる。多数の銀行が実証実験で効果を確認しており、アイテ・グループが2020年後半に銀行にインタビューした際にも、約70%が導入済みか/導入計画があると回答している。各行とも、比較的ローコストで要員抑制効果があるとしている。
（２）過去の判断結果活用でフォルス・ポジティブを削減
アラートには、過去のアラートと似たパターンも多数ある。そこで過去にスクリーニング対象となったアラートの抽出理由と精査後の判断結果をINPUTとして人工知能を学習させることで（教師あり機会学習）、人工知能が該当パターンを自動的に除外しフォルス・ポジティブを削減する。
（３）リスクのスコアリング
当局が推奨するリスク・ベース・アプローチを全面採用して摘発精度を向上させるためには、金融機関の社内外に分散している様々な業務データを統合的に参照し判断する（スコアリングする）必要がある。この前提としてデータの整備が必須となるが、究極的な目標であるリアルタイム・モニタリングに到達するための重要なステップでもある。このような仕組みを如何にローコストで実現するか、金融機関/ベンダー各社のアプローチが続いている。
金融犯罪は常に変化していることから、防衛手段も再評価を繰り返し、改善を進めなければならない。金融当局もしばしば指針の見直しを行うので密接な連携が必要だ。ソリューション・ベンダーも金融機関と当局双方の動向を把握し、AMLツールのブラッシュアップを続けることが重要だと思われる。
Add new comment