Bankalar Suçluları Yakalamak İçin Yapay Zekayı Nasıl Kullanıyor?

Yapay zekanın hayatımıza girmesi ile birlikte bir çok şeyde kolaylık sağlanmaya başladı bunlardan biriside şüphesiz bankaların sistemlerini kandırmak isteyen dolandırıcılar yapay zekadan nasibini alıyor.Peki nasıl?

Her saniye binlerce finansal işlemi inceleyen ve hileli olanları işaretleyen bir algoritma hayal edin. Bu, son yıllarda yapay zeka alanındaki gelişmeler sayesinde mümkün hale gelen bir şey ve büyük miktarlarda günlük işlemlerle dolup taşan bankalar için çok cazip bir değer önerisi ve finansal suç, kara para aklama, finansmanın finansmanı ile mücadelede artan bir zorluk.En çokta terörizm ve yolsuzluk.

Suçu tespit etmek ve önlemek için AI kullanan şirketler, bir AI algoritması belirli bir cinsiyet, etnik köken veya dinden oluşan bir grup için sistemik dezavantaja neden olduğunda ortaya çıkan bir sorun olan algoritmik önyargı gibi yeni zorluklarla da uğraşmakta. Geçtiğimiz yıllarda, iyi kontrol edilmeyen algoritmik önyargı, onu kullanan şirketlerin itibarına zarar verdi. Böyle bir önyargının varlığına karşı her zaman uyanık olmak inanılmaz derecede önemlidir.

Örneğin 2019’da Apple’ın kredi kartını çalıştıran algoritmanın kadınlara karşı önyargılı olduğu ortaya çıktı ve bu da şirkete karşı bir PR tepkisine neden oldu. 2018’de Amazon, kadınlara karşı önyargı gösteren yapay zeka destekli bir işe alma aracını kapatmak zorunda kaldı . 

Bankalar benzer zorluklarla karşı karşıya ve işte tuzaklardan kaçınırken yapay zeka ile finansal suçlarla nasıl mücadele ediyorlar. 

Suçluları yakalamak

Mali suçlarla mücadele, birçok işlemi izlemeyi içerir. Örneğin, Hollanda merkezli ABN AMRO’nun şu anda işlemlerin taranması ve izlenmesinde görev alan yaklaşık 3400 çalışanı bulunmaktadır.

Geleneksel izleme, katı olan ve terörizmin finansmanı, yasa dışı kaçakçılık ve vahşi yaşam ve sağlık hizmetleri dolandırıcılığı gibi ortaya çıkan birçok finansal tehdidi dışarıda bırakan kural tabanlı sistemlere dayanır. Bu arada, şüpheli olarak işaretlenen pek çok yanlış pozitif, yasal işlem yaratırlar. Bu, analistlerin kendilerine yöneltilen veri akışına ayak uydurmalarını çok zorlaştırır.

Bu, AI algoritmalarının yardımcı olabileceği ana alandır. Yapay zeka algoritmaları, bir müşterinin normal davranışından sapan aykırı değerleri, işlemleri tespit etmek için eğitilebilir. Malou van den Berg başkanlığındaki ABN AMRO’nun İnovasyon ve Tasarım biriminin veri bilimi ekibi, finansal işlemlerde bilinmeyeni bulmaya yardımcı olan modeller oluşturdu. 

Ekip, yanlış pozitifleri azaltırken sahtekarlık işlemleri bulmada çok başarılı oldu. Van der Berg, “Daha önce görmediğimiz kalıpları ve şeyleri de görüyoruz” diye açıklıyor.

Statik kurallar yerine, bu algoritmalar müşterilerin değişen alışkanlıklarına uyum sağlayabilir ve ayrıca finansal modeller yavaş yavaş değiştikçe ortaya çıkan yeni tehditleri tespit edebilir. 

“Yapay zekamız bir işlemi müşterinin normal düzeninden farklı olarak işaretlerse, nedenini araştırıyoruz. Mevcut bilgilere dayanarak, işlemin bir müşterinin normal düzeninden sapıp sapmadığını kontrol ederiz. Soruşturma ödemeyle ilgili netlik sağlamazsa, müşteriye soruşturma yapabiliriz ”diyor van den Berg.

ABN AMRO, büyük miktarda etiketlenmemiş veriye bakabilen ve güvenli ve şüpheli işlemlere ipucu verebilecek ilgili modelleri bulabilen bir yapay zeka dalı olan denetimsiz makine öğrenimini kullanıyor. Denetimsiz makine öğrenimi, dinamik finansal suç tespit sistemleri oluşturmaya yardımcı olmakta. Ancak yapay zekanın diğer dalları gibi, denetimsiz makine öğrenimi modelleri de doğru şekilde ele alınmadığı takdirde istenmeyen zararlara neden olabilecek gizli önyargılar geliştirebilir.

İstenmeyen önyargıları ortadan kaldırmak

Bankalardaki veri bilimi ve analitik ekipleri, yapay zeka algoritmalarının herhangi birinin haklarını ihlal etmeden hileli işlemleri ortaya çıkarabileceği doğru dengeyi bulmalıdır. Yapay zeka sistemlerinin geliştiricileri, modellerine cinsiyet, ırk ve etnik köken gibi sorunlu değişkenleri dahil etmekten kaçınırlar. Ancak sorun şu ki, diğer bilgiler aynı unsurlar için vekil olarak durabilir ve AI bilim insanlarının bu vekillerin algoritmalarının karar verme sürecini etkilemediğinden emin olmaları gerekir. Örneğin, Amazon’un hatalı işe alma algoritması durumunda, işe alma kararlarında cinsiyet açıkça dikkate alınmazken, algoritma, negatif puanları kadın isimleriyle veya “kadın satranç kulübü” gibi terimlerle ilişkilendirmeyi öğrenmişti.

Van den Berg, “Örneğin, suç faaliyetlerinden şüphelenilen müşterileri belirlemek için yapay zeka teknikleri kullanılacağı zaman, öncelikle bu yapay zekanın tüm müşterilere hassas özelliklere (doğdukları yer gibi) göre adil bir şekilde davrandığı gösterilmelidir.” .

Van den Berg’in ekibinde bir veri bilimcisi olan Lars Haringa şöyle açıklıyor: “Yapay zeka modelini oluşturan veri bilimcisi, modelin performansını göstermekle kalmıyor, aynı zamanda etkisini etik olarak da haklı çıkarmalı. Bu, bir model üretime geçmeden önce, veri bilimcisinin gizlilik, adalet ve önyargı ile ilgili uyumu sağlaması gerektiği anlamına gelir. Çalışanların yapay zeka araçları tarafından tarafsız seçimler sunmasını sağlayan istatistiksel koruma önlemleri oluşturarak, çalışanların yapay zeka sistemlerinin kullanımının bir sonucu olarak önyargı geliştirmemesini sağlamak buna bir örnektir. ” 

İşlem izleme analizlerinin sonucundan sorumlu olan departman da adil muamele için sorumluluk alır. Model, yalnızca veri bilimcisi tarafından yapılan çalışmayı ve analizleri kabul ettiklerinde müşteri verilerinde üretimde kullanılabilir. 

ABN AMRO’nun işlem izleme ekibi, bu olumsuz etkileri önlemek için olası önyargıları önceden ve periyodik olarak ölçer. Van der Berg, TNW’ye “ABN AMRO’da veri bilimcileri, müşterilerin ve çalışanların haklarının güvence altına alınmasını sağlamak için hukuk ve gizlilik departmanlarıyla birlikte çalışıyor” dedi.

Dengeli işbirliği

Yapay zeka algoritmalarını kullanan şirketlerin karşılaştığı zorluklardan biri, yapay zekaları hakkında ne kadar ayrıntı açığa çıkaracağına karar vermektir. Şirketler bir yandan algoritmalar ve teknoloji üzerindeki ortak çalışmadan tam anlamıyla yararlanmak isterken, diğer yandan kötü niyetli oyuncuların bunları oynamasını engellemek istiyorlar. Ayrıca müşteri verilerini korumakla ilgili yasal görevleri de vardır.

“Bankalardaki diğer tüm modeller gibi, algoritma etkinliğini korumak için, model onayında birkaç kritik paydaş vardır: model başlatıcı ve geliştiricilerin yanı sıra, Model Doğrulama (tüm model yönlerinin bağımsız teknik incelemesi), Uyumluluk (ör. Düzenlemenin uygulanması) , Hukuk, Gizlilik ve Denetim (tüm modelleme ve uygulama zincirinin bütünlüğü dahil olmak üzere tüm uygun süreçlerin bağımsız doğrulaması), ”diyor van der Berg. “Bu, tüm bankalar için standart bir uygulamadır.”

Van der Berg, ABN AMRO’nun suçla mücadele çabalarının ayrıntılarını yayınlamadığını, ancak farklı departmanların daha iyi sonuçlar elde etmek için algoritmalarını ve tekniklerini birbirlerinin hizmetine sundukları güçlü bir bilgi paylaşımı kültürü olduğunu söylüyor. Ancak aynı zamanda müşteri verilerinin ve istatistiklerinin kullanımında yüksek kısıtlamalar vardır. ABN AMRO, aynı kısıtlamalarla diğer bankalarla da bilgi paylaşımında bulunuyor . Verilerin paylaşılması gerektiğinde, müşteri kimliklerinin harici taraflara ifşa edilmemesini sağlamak için veriler anonimleştirilir.

Bankacılık, diğer birçok sektör gibi, yapay zeka ile yeniden keşfediliyor ve yeniden tanımlanıyor. Mali suçlular yöntem ve taktiklerinde daha sofistike hale geldikçe, bankacılar müşterilerini ve itibarlarını korumak için alabilecekleri tüm yardıma ihtiyaç duyacaklar. Tüm müşterilerin haklarına saygı duyan akıllı anti-finansal suç teknolojileri konusunda sektör çapında işbirliği, dünyadaki bankacıların en iyi müttefiklerinden biri olabilir.

Bunları da sevebilirsiniz

Bir Cevap Yazın

%d blogcu bunu beğendi: