Comment les équipes conformité se perfectionnent-elles grâce à l’intelligence artificielle (IA)

Par Prabhu Ramamoorthy, Responsable de l’écosystème services financiers chez NVIDIA

Des problèmes de chaîne d'approvisionnement à la volatilité des prix des différentes classes d'actifs, des actions au pétrole brut, le commerce définit une grande partie du mouvement de l'économie internationale. Or, avec des milliers de milliards de dollars circulant quotidiennement dans le système financier, la tentation de se laisser aller à des comportements illicites est grande.

Régulateurs, responsables de la conformité, dirigeants au sein des banques, tous cherchent en permanence des outils efficaces pour lutter contre la sophistication croissante d’organisations malintentionnées, dont les actes répréhensibles entraînent souvent des pertes financières de plusieurs milliards de dollars. Ils cherchent à identifier plus précisément et plus rapidement les actions criminelles telles que les délits d'initiés, les manipulations de marché, le blanchiment d'argent, les violations des sanctions et contrôles à l'exportation et les transactions sur les comptes d'autrui.

L'identification d'activités suspectes nécessite des capacités de surveillance appropriées, notamment en raison de l'important volume de communications et de transactions qui doit être évalué.

Bien que peu fréquentes, les conséquences pour les banques en termes d'amendes pour manquement aux règles de conformité sont abruptes. Rien qu'en 2020, 15 milliards de dollars d’amande dans le monde ont été infligés aux banques se sont vu infliger pour de telles violations.

L'intelligence artificielle rejoint la lutte pour la conformité commerciale.

L'intelligence artificielle (IA) est de plus en plus utilisée pour lutter contre les délits financiers. L'IA et les modèles d'apprentissage automatique (ML) ou d'apprentissage profond associés offrent aux régulateurs et aux responsables de la conformité de nouvelles capacités. Ces modèles peuvent traiter différents types de données, exécuter une série d'analyses avancées et fournir un éventail de résultats pour aider à éliminer la fraude dans le commerce international.

Les modèles linguistiques d'apprentissage profond font un bond en avant générationnel.

Certains types de fraude ne peuvent pas être découverts uniquement à l'aide de grands livres de transactions, d'enregistrements financiers et d'autres données tabulaires. À titre d'exemple d'échelle, Citi a traité 9,4 millions de transactions en 2018, pour environ 1 000 milliards de dollars d'échanges, ce qui donne à la banque un ensemble de données massif de 25 millions de pages.

Dans de nombreux cas, la fraude se produit en dehors de ces systèmes, dans le cadre de processus impliquant des communications de données non structurées telles que l'audio, les images et les chats. Dans ce cas, la source finale des données d'enregistrement contient un minimum de marqueurs pour l'identification, de sorte que des analyses avancées sont nécessaires pour découvrir les divergences.

Aucune équipe n'est en mesure de lire, d'interpréter et de signaler efficacement les actes répréhensibles potentiels dans un ensemble de données de cette taille dans un délai réaliste. D'où la nécessité des modèles d'apprentissage profond et de l'infrastructure de calcul accéléré qui permet aux ordinateurs de soutenir la conformité commerciale.

Avant l'informatique accélérée, la formation de modèles linguistiques et non structurés/semi-structurés prenait des semaines ou des mois. Désormais, les modèles de langage et de vision peuvent être formés en quelques heures ou quelques jours, et leurs résultats peuvent être fournis en quelques secondes.

Étant donné que l'argent circule en temps réel, les modèles doivent être capables de s'exécuter en quelques millisecondes pour prévenir les délits financiers. La prévention de la fraude en temps réel nécessite une compréhension du langage parlé. Pas seulement une langue, mais plusieurs, en temps réel, avec la capacité de comprendre le contexte, de décrire le sentiment, d'identifier les entités (entreprises, personnes, etc.) et d'intégrer toutes ces données complexes dans un algorithme de notation de la fraude.

La taille des données augmentant de manière exponentielle, des modèles plus sophistiqués sont formés, ce qui nécessite des infrastructures de calcul accéléré plus avancées pour gérer efficacement la conformité commerciale. Outre les données non structurées, les données tabulaires peuvent être analysées pour détecter des activités telles que les opérations en amont, les délits d'initiés et la collusion.

Avec l'expansion du commerce international, l'utilisation de l'IA doit suivre
Le niveau du commerce international continuera de croître à long terme, à mesure que les chaînes d'approvisionnement se renforcent et que la pandémie s'atténue. Avec l'augmentation des flux financiers, le nombre de mauvais acteurs cherchant à frauder le système pour leur propre gain financier augmentera également.
Les régulateurs financiers, les responsables de la conformité et les responsables bancaires doivent investir en priorité dans l'IA, le premier outil capable d'analyser toutes les données (structurées et non structurées) qui alimentent les marchés financiers.

Lorsque des activités frauduleuses sont détectées, la conformité doit s'assurer qu'un équilibre subtil est maintenu et que les unités commerciales peuvent continuer à exercer des fonctions de négociation qui génèrent des profits légitimes. Les techniques d'IA peuvent passer au crible de grandes quantités de données et identifier les activités/données avec des algorithmes avancés qui nécessitent une analyse plus approfondie.

Les systèmes existants sont souvent inefficaces ou signalent indûment de grandes quantités de données provenant des anciens systèmes, ce que l'on appelle les faux positifs excessifs. À elle seule, la réduction des faux positifs permettra de réaliser des gains d'efficacité et des économies considérables. Elle permettra aux entités financières d'analyser en temps réel des rames de communications, des données commerciales et des millions d'entrées provenant de milliers de sources. Dans l'intervalle, les entreprises pourront continuer à négocier et à réaliser des bénéfices, en tirant parti des véritables possibilités d'arbitrage - un avantage pour tous les participants au marché.