IA, AML 5 minutos de leitura
A Taktile compartilha os mais recentes avanços em IA na área de combate à lavagem de dinheiro com a ACAMS Today
Este artigo é uma adaptação de uma matéria publicada na revista ACAMS Today, de autoria de Maximilian Eber, cofundador e diretor de tecnologia (CPTO) da Taktile, e Dustin Eaton, diretor da área de Fraudes e Combate à Lavagem de Dinheiro.
Em uma matéria da revista ACAMS Today, Maximilian Eber, cofundador e diretor de tecnologia (CPTO) da Taktile, e Dustin Eaton, diretor da área de Fraudes e AML, argumentam que a transição de sistemas de AML baseados em regras para sistemas orientados por IA está rapidamente se tornando uma vantagem prática.
Os programas de combate à lavagem de dinheiro atuais detectam menos de 1% dos estimados US$ 2 trilhões lavados globalmente a cada ano. E mesmo com as instituições financeiras gastando cerca de US$ 206 bilhões anualmente em conformidade, os resultados ainda ficam aquém do esperado.
Essa lacuna ajuda a explicar por que a IA está ganhando força: ela consegue identificar padrões com mais eficácia, melhorar a precisão e reduzir o trabalho manual.
Com a crescente confiança na IA, os órgãos reguladores estão agora, pela primeira vez, incentivando a adoção da IA na prevenção da lavagem de dinheiro.
Eber e Eaton apresentam um roteiro prático para a implementação responsável da IA na área de combate à lavagem de dinheiro (AML). Eles explicam por que a IA é especialmente adequada para os desafios atuais da AML e em que áreas está gerando o maior impacto. Além disso, destacam o que os órgãos reguladores esperam em termos de governança da IA e como as equipes podem reduzir os riscos associados à sua adoção. Por fim, compartilham os fatores que influenciam o sucesso da maioria das iniciativas de IA.
Por que a IA é especialmente adequada para os desafios atuais da prevenção da lavagem de dinheiro
Na matéria da revista ACAMS Today, Eber e Eaton destacam que as evidências sobre o uso da IA na AML passaram da teoria para resultados mensuráveis em programas na prática.
De acordo com um estudo de validação da Guidehouse, 61% das instituições financeiras relataram redução de riscos após a implementação de IA e aprendizado de máquina na AML.
Um dos principais motivos é o reconhecimento de padrões. A IA é capaz de detectar comportamentos e padrões complexos que os analistas humanos podem deixar passar ao examinar os casos um por um.
A IA também pode organizar dados estruturados, como o histórico de contas de clientes, e informações não estruturadas, como notícias negativas na mídia, ajudando os analistas a decidir quais alertas merecem ser investigados com maior alcance e rapidez.
Eber e Eaton também destacam a comprovada capacidade da IA de reduzir a carga de trabalho diária com que as equipes de conformidade normalmente se deparam. Por exemplo, a implementação da IA no monitoramento de transações levou a uma redução de 50% a 70% nas taxas de falsos positivos em comparação com o uso de sistemas tradicionais baseados em regras. Isso pode gerar economias significativas ou liberar recursos para investigações de maior risco.
Do monitoramento de transações à análise de sanções, as equipes de combate à lavagem de dinheiro estão ganhando eficiência e reduzindo riscos com a IA. Essas equipes tendem a obter sucesso quando tratam os modelos de IA como ativos regulamentados, gerenciados com o mesmo rigor que os modelos de crédito ou de capital.
Leia a edição completa da revista ACAMS Today.
Como as regulamentações contra a lavagem de dinheiro (AML) têm contribuído para uma implantação segura da IA
Conforme Eber e Eaton destacam no artigo da ACAMS Today, a governança da IA na área de combate à lavagem de dinheiro (AML) baseia-se principalmente em estruturas já conhecidas de gestão de risco de modelos, em vez de introduzir requisitos totalmente novos.
Um ponto de referência fundamental é a orientação SR 11-7 do Conselho do Federal Reserve sobre Gestão de Risco de Modelos. Embora tenha sido publicada em 2011 em conjunto com o OCC, suas ideias centrais continuam válidas para os sistemas modernos de combate à lavagem de dinheiro.
Os três componentes principais permanecem os mesmos:
- Válido do ponto de vista conceitual: Compreender como o modelo funciona, por que ele deve funcionar e por que se adequa ao caso de uso.
- Monitoramento contínuo: acompanhe o desempenho ao longo do tempo para garantir que o modelo continue funcionando conforme o esperado e identificar quando for necessária uma recalibração.
- Validação: Exigir uma análise independente por pessoal qualificado que não tenha participado do desenvolvimento, com foco na eficácia, nas limitações e nos pressupostos.
A incorporação de recursos de IA autônoma, no entanto, acrescenta uma camada adicional de complexidade:
- Explicabilidade: os modelos de IA são mais complexos do que os sistemas baseados em regras, pois combinam vários sinais ao mesmo tempo e os ponderam de forma diferente dependendo do contexto, em vez de seguirem uma única regra do tipo “se X, então Y”.Para fornecer explicações que atendam às expectativas de transparência, as equipes podem usar técnicas como SHapley Additive exPlanations (SHAP), que estimam o quanto cada fator de entrada contribuiu para uma previsão específica, ou Local Interpretable Model-agnostic Explanations (LIME), que aproxima o comportamento do modelo em torno de um caso específico com um modelo mais simples e fácil de explicar.
- Aprendizado dinâmico: os modelos que passam por retreinamento com maior frequência exigem um monitoramento mais rigoroso para controlar o desvio. Isso ocorre porque o comportamento no mundo real muda com o tempo, e um modelo que apresentava bom desempenho no passado pode se tornar menos preciso à medida que os padrões de fraude, o comportamento dos clientes e a qualidade dos dados evoluem.
- Qualidade dos dados: o desempenho da IA depende fortemente da qualidade e da representatividade dos dados, tornando a linhagem dos dados, os controles de qualidade e os testes de viés elementos centrais da governança.
Em conjunto, essas práticas de governança tornam a adoção da IA mais segura, mais auditável e mais fácil de justificar perante os órgãos reguladores, sem prejudicar a inovação.
Superando as limitações dos sistemas antigos de combate à lavagem de dinheiro
Os programas tradicionais de combate à lavagem de dinheiro foram criados para uma época diferente: volumes menores, evolução mais lenta das tipologias e sistemas que podiam ser ajustados apenas com regras. Mas hoje, espera-se que as equipes façam mais do que apenas “cumprir o mínimo exigido”.
Compreender onde a IA agrega valor na área de combate à lavagem de dinheiro (AML) e quais são as estruturas de governança exigidas pelos órgãos reguladores é apenas o primeiro passo. A implementação é o próximo desafio: escolher os casos de uso adequados, comprovar o desempenho, criar controles preparados para auditoria e implementar a tecnologia com segurança, sem interromper as operações.
Na próxima parte desta série, Maximilian Eber e Dustin Eaton apresentam um guia prático de operações para instituições financeiras que adotam estratégias de combate à lavagem de dinheiro (AML) baseadas em IA, incluindo práticas concretas de governança, abordagens de validação e estratégias de implementação destinadas a reduzir riscos.
