安全是有分量的

网站防护_日本高防服务器_零元试用

2021-06-12 00:10栏目:创投界

网站防护_日本高防服务器_零元试用

许多反洗钱(AML)业务部门努力工作,以证明他们遵守规章制度,并努力保持适当的工作人员水平来处理所有警报。尽管做出了所有这些努力,但全球洗钱活动仍处于失控状态;据估计,每年洗钱金额约占全球国内生产总值(GDP)的2-5%。高假阳性率和低效的流程是绝大多数洗钱活动无法阻止的原因之一。今天,针对反洗钱的机器学习正在显著提高合规操作的效率。我最近在拉斯维加斯举行的第18届反洗钱和金融犯罪年会上,我就这个话题向热情的听众发表了演讲。拉斯维加斯的活力提供了一个合适的背景,我们讨论了:机器学习与人工智能的区别如上图所示,phpcc防御,机器学习不执行人性化的程序化认知任务。相反,机器学习算法从数据中学习新的关系。揭示现有反洗钱活动中隐藏的反洗钱模式是非常有吸引力的。使用机器学习来区分警报的优先级并发现更多的洗钱活动在我的演讲中,我引用了麦肯锡2017年关于将新技术应用于反洗钱的文章。由于99%的警报被证明是误报,麦肯锡指出,机器学习技术可以减少20-30%的误报。反过来,网络安全工具,调查人员的工作量可以减少50%。下图说明了组织通常如何使用机器学习分数。通过选择评分阈值,反洗钱专业人士可以了解所发现的洗钱金额,从而控制假阳性率。因此,反洗钱专业人士会选择一个或多个触发分析师工作案例的阈值。事务也可以自动执行。来源:FICO博客使用实时行为分析挑战了解客户(KYC)实践麦肯锡称,通过更严格的细分,反洗钱机器学习可以使可疑活动报告(SAR)的转化率提高3倍。更精细细分的例子包括了解客户在美国境外有财务关系、是高净值个人或是小企业主。这样,机器学习使用基于金融交易活动的实时行为分析来挑战KYC流程的现状。机器学习甚至可以产生更好的规则,如下图所示。例如,机器学习模型可能会发现,关闭cc手机防御级别调,进行低美元在线赌博交易的客户正在这样做,以此将资金转移到海外。通过理解机器学习算法可以检测出新的、不可见的模式来揭示非法活动(但规则不允许),新的更好的规则和洞察力就可以得到。来源:FICO博客机器学习模型的可解释性除了使用机器学习之外,我还描述了如何使这些机器学习模型对调查人员、监管者和内部治理团队进行解释。下面的例子展示了由模型(最左边的V1-V6)组成的多个变量如何输入到机器学习算法中,机器学习算法的结果由原因报告和排序算法处理。在解释模型是如何达到分数时,根据重要性和相关性对原因进行了排序。来源:FICO博客此算法已在FICO®Falcon®平台上使用多年,并说明了变量值(以及相应的原因代码)对观察到的分数有贡献的可能性。这是基于用于构建机器学习模型的全部数据,并且是概率性的。通过对排名靠前的原因代码进行排名,维盟路由器ddos防御设置,分析师和监管机构将了解得分是如何得出的,这有助于调查和创造特区的叙述。总之,针对反洗钱的机器学习可以帮助解决关键的合规挑战,如误报,专业防御ddos,获得对客户行为的新见解和理解,并提供清晰易懂的决策逻辑。显然,机器学习技术为反洗钱工作的效率增加了"超人"的推动力!欲了解更多信息,请阅读我们的人工智能在反洗钱和KYC:提高准确性和降低成本热门话题问答。要了解我如何帮助FICO开发打击金融犯罪的技术,请访问Twitter@ScottZoldi关注我。