AI反洗钱解决方案介绍

1、AI反洗钱解决方案介绍技术创新，变革未来业务分析方案介绍优势和价值问题与讨论业务分析3反洗钱案件审核量逐年增加，金融机构对于“审得快”、“抓得准”、“漏的少”的需求日益显著4金融机构反洗钱管理是一项劳动密集型工作，大型金融机构需要配备上百名专职审核人员监测和审核案件。随着银行交易量逐年增长，和管理流程不断完善，每年审核量增长约30%-40%。漏报、隐案、新型作案手法层出不穷，仅通过人工经验总结、规则优化，难以建立长效机制。2017年2018年+30%40%需求2：提升案件上报率、预警准确率案件上报率低于5%，甚至低于1%。由于预警准确率较低，导致人工排查花费大量精力。如何提升预警准确率、命中率

2、，进而提高案件上报率？需求3：提升对隐案和新型作案手法的侦别能力目前的可疑交易监测规则均基于过去已发生的案例而设计，具有一定的滞后性，同时存在偏差，难以及时侦测到隐案和新出现的洗钱方式。如何解决偏差问题？识别隐而未现的洗钱案件？抓得准漏的少需求1：提升人工审核、分析效率规则系统命中的可疑案件数量巨大，需要人工逐一排查，如何提升审核效率？实现高风险案件优先调查、及时上报？优化资源分配？如何加快人工分析、撰写报告的效率？审得快金融监管近年来密集发文，反洗钱处罚力度不断加强2016.12 金融机构大额交易和可疑交易报告管理办法(中国人民银行令20163号)2017.05 义务机构反洗钱交易监测标准建

3、设工作指引 (银发2017108号)2017.05 关于加强开户管理及可疑交易报告后续控制措施的通知(银发2017117号)2017.08 关于完善反洗钱、反恐怖融资、反逃税监管体制机制的意见(国办函201784号)2017.10 关于加强反洗钱客户身份识别有关工作的通知(银发2017235号)2017.12 银行业金融机构反洗钱现场检查数据接口规范(试行)(银发2017300号文)2018.06 关于进一步做好受益所有人身份识别工作有关问题的通知2018.07 关于加强特定非金融机构反洗钱监管工作的通知2018.07 关于进一步加强反洗钱和反恐怖融资工作的通知2019.02 银行业金融机构反

4、洗钱和反恐怖融资管理办法2018年国内监管机构开出的反洗钱罚单数目不断上升，累计罚单金额超过1.3亿人民币建立监测标准建设管控体系客户身份识别AI反洗钱技术为金融机构反洗钱管理带来新思路央行金融研究所所长孙国峰：Regtech(监管科技)的核心是人工智能监管。AI技术在商业银行各条业务线中的应用已是大势所趋，而在反洗钱等领域，人工智能应用方兴未艾，后续有望成为一支金融监管“利刃”。“联想AI反洗钱技术受邀参加FATF(国际反洗钱金融行动特别工作组)，展示了人工智能在金融监管领域的广阔前景。方案介绍7AI反洗钱解决方案总览8客户身份识别可疑案件监测辅助人工审核探索发现其他合规内控场景受益人识别可

5、疑案件排序可疑案件识别（扩召回）案件分类模型解释异常行为模式发现团伙发现内外勾结识别违规信息泄漏识别提升效率减少漏报启发分析可疑案件识别模型简介9Step 1样本学习图特征增强半监督学习风险评分运用模型对案宗做出可疑率打分，从而可以根据该打分进行案件可疑率分析学习历史规则预警的可疑案件学习历史人工上报案件还原交易上下游资金链关系，识别洗钱团伙。利用图拓扑关系，纳入知识图谱信息，发现不同分群，识别客户间关联关系对相似交易行为、账户行为进行预警；从海量交易中准确抓取反洗钱可疑案件，协助发现隐案、漏案和新型作案手法，提升预警准确率、案件覆盖率、审核上报率。模型训练模型预测人工审核&结果反馈人工审核标

6、注模型抓取并且被认定为洗钱案件的黑样本模型抓取并且被认定为正常交易的白样本人工补录/规则系统额外发现的洗钱案件黑样本自学习可疑案件排序模型简介模型打分高的案件优先审核模型打分很低的案件，分配较少的资源审核，甚至不审分析员资质与难易程度作最佳匹配。初级分析员优先处理高风险案件，资深分析员优先处理甄别难度较大的案件用法概述对规则系统预警出的案件按照洗钱风险程度进行排序，实现审核资源最优分配。头部高风险案件优先审核，及时上报；尾部案件风险过低可以排除，提升审核效率。传统随机分配方式基于排序优先级的分配方式受益人识别及团伙发现模型简介11利用自研的工商知识图谱对非自然人客户进行受益人识别大股东高管实际

7、控制人关联企业用途1:客户接触环节受益人自动识别和风险排查用途2:还原洗钱团伙网络，辅助审核分析交易网络社交关系非自然人客户来网点办理业务时，快速识别出其关联企业和关联人，自动进行反洗钱名单扫描，提示业务人员进一步核查客户身份基于可疑案宗的客户名单进行扩展的团伙分析和可视化展示，辅助审核人员确定案宗可疑度和涉案规模团伙发现模型交易关系工商关系人工审核义务机构及其工作人员应当将了解并确定最终控制非自然人客户及交易过程或者最终享有交易利益的自然人作为受益所有人身份识别工作的目标。关于进一步做好受益所有人身份识别工作有关问题的通知银发2018164号异常行为模式发现模型简介12模型训练&聚类分析人工

8、审核规则反哺对全量的动帐/非动帐事件进行聚类建模刻画行为的特殊性：某一类行为不是普遍行为刻画行为的聚集性：存在明显聚集性和较大量的相似性加入时序交易特征以刻画时序行为的一致性通过无监督聚类将海量交易中一致行为模式的交易找到异常度算法对每簇交易集合进行打分人工对聚类后的异常行为进行分析，排查其中包含的虚假交易、作弊、套现、非法集资、洗钱、骗贷、违规操作等非法行为提取非法行为的共性特征组成行为模式Pattern，反哺专家规则例如：多个账号同一天在同一台ATM机上转账给同一个账号定量化的异常度打分模型可解释性方案优势自动发现异常行为模式反哺业务规则模型解释/案件分类模型简介13特征解释模型汇总生成可

9、疑交易报告对模型判断为可疑的案件进行特征分析，并通过人工智能平台做高维离散后特征解析。解析后的特征作为可疑案件描述信息，辅助整个案件审核流程，为内部上报人员、复核人员、审定人员提供模型以外的信息依据案件分类模型通过多分类模型识别洗钱上游犯罪类型，为案件审查提供更丰富全面的信息支持；反洗钱指标特征库建模筛选出与洗钱行为最相关的特征子集建模对每一笔交易的特征权重进行评估机器学习建模AI反洗钱模型能够对每个案件评估结果进行解释14预警模型特征分析启发分析案件分析/规则优化案件编号洗钱风险评分模型输出重要特征：130天内主体客户单笔为100元整数倍的日均交易笔数:120230天内主体客户接收第三方支付

10、机构日均转入笔数:803 30天内主体客户0-6点交易笔数占比：95%审核/复盘时进行统计分析：67.6%涉毒案件具备特征1，为涉毒典型特征48.5%的零包贩毒案件具备特征3AI反洗钱技术在现有流程中可以实现无缝对接15反洗钱数据集市可疑案宗人民银行反洗钱中心可疑交易报告重点可疑交易纸质报告规则系统案件排序模型案件监测案件分析案件分类模型团伙发现案件报送人工分析反洗钱知识库AI模型自学习规则优化AI反洗钱模型审核流程复盘流程案件识别模型传统流程模型解释模型异常行为模式探索优势和价值16机器学习可以从海量数据中总结丰富洗钱行为特征，从而提升决策准确率洗钱客户利用丰富的客户信息、卡户信息和交易数据

11、维度，构建长尾特征，机器学习可以在更细的粒度上识别洗钱客户，并且达到更高的准确率。传统专家规则维度少，抓大放小机器学习高维模型善用长尾特征正常客户图计算和半监督学习可以用于识别洗钱团伙、隐案当人掌握更多知识和背景信息时，能够作出更加准确的判断，机器也是如此对交易关系、工商关系、社交关系进行图关系特征化处理，可以更好地识别长周期洗钱案件以及洗钱团伙洗钱及其上游犯罪由于人为操纵、目的性强，在行为模式上具有共性通过有监督学习与无监督学习结合的方式对标签样本进行聚类，抓取与上报案件的行为模式相似的隐案，提交给人工甄别，扩大案件监测覆盖面交易关系资金链关系社交关系控股关系自学习技术实现模型动态调整和更新

12、迭代，适应外部环境的变化自学习技术建立一个不断收集反馈数据的闭环系统，使得模型不断学习个更新AI应用效果持续优化边学边用，为业务提供更好的AI支撑具备快速适应业务变化的能力新的用户行为模式和业务模型快速捕捉修正AI模型的误差持续增加的样本提升模型训练效果分行补录案件外部监管变化内部规则调整数据AI反洗钱落地过程中产生了多方面的业务价值及时侦测新型洗钱方式基于无监督学习算法，及时侦测到新型洗钱方式，提高反洗钱监测规则的及时性和有效性。审核流程优化模型解析后的特征作为可疑案件描述信息，辅助案件审核，从而优化整个内部上报审核流程，提高流程效率，和案件审核流程信息可管理性、可追溯性。优化现有经验规则库

13、模型解析后的特征可以为规则库的优化提供有力的依据。优化调查人员工作人力，提高效率通过机器学习建模，对案件进行可疑率打分排序，可以根据调查人员能力分配不同可疑率的案件，提高效率。提高案件识别精准度：通过自主研发专利高维机器学习算法，有效利用长尾特征，配合图关系、知识图谱等技术，可以大大提高案件识别的精准度。自动化疑点分析半自动化报告生成节省30%案件审核成本，为金融机构节省上千万人力成本投入头部30%预警案件可覆盖90%上报的可疑案件无效报警率下降一半为反洗钱策略部门提供源源不断且有效的隐案、新案分析素材已帮助多家金融机构成功探索反洗钱智能转型21某大型银行可疑案件识别案例22提升案件覆盖率，减

14、少漏报。可疑案件监测环节，通过模型预警可以覆盖更多的洗钱高风险案件，减少案件漏报，提升金融机构反洗钱案件侦查能力降低系统误报、提升审核效率。同等案件上报的情况下，节省超过70%的审核人力投入业务价值：准确率召回率同召回率下准确率提升857%模型准确率与原有规则准确率对比最佳方案：准确率提升3.2倍的同时，召回率提升8%在某大型银行中，采用AI技术对人工审核及分行补录的历史案件的进行学习，可提高从海量交易当中筛选反洗钱可疑案件的准确率和覆盖率。结合人工对模型发现案件的甄别，提升对于隐案的抓取力度。某大型银行可疑案件排序案例测试集验证结果分段效果：头部：打分前30%的案宗中，召回率达到90%以上，

15、实现了快速识别高风险洗钱案宗的目的；尾部：打分前70%的案宗中，召回率达到了99.6%，在没有明显遗漏的情况下，可大幅削减人力审核资源投入。优化调查人员工作人力，提高效率通过机器学习建模，对案件进行可疑率打 分排序，可以根据调查人员能力分配不同 可疑率的案件，提高效率。 业务意义审核流程优化 模型解析后的特征作为可疑案件描述信息，辅助案件审核，从而优化整个内部上报审核流程，提高流程效率。提高案件识别精准度通过自主研发专利高维机器学习算法，有效利 用长尾特征，配合图关系、知识图谱等技术，可以大大提高案件识别的精准度。 某股份制银行排序模型效果某大型银行异常行为模式发现案例24业务目标建模过程效果

16、价值通过机器学习模型对海量交易全面、自动化的分析，检测行为模式相似的异常事件集合，提供给专家分析对典型案例的异常行为模式加以提取、总结，转化为业务经验和专家规则提高在异常行为监控和检查环节的工作效率，提升检查覆盖面，减少违法违规漏网之鱼采用无监督学习方式，对动帐/非动帐事件类数据进行聚类分析，并加入时序特征刻画时序行为对原始特征进行特征工程：交易特征、机构、账户、渠道、卡户特征等对聚类集合进行异常度打分，打分高的集合移交给人工认定经人工验证，模型发现的异常交易中，超过90%属于违法违规类案件，即虚假交易、作弊、套现、非法集资、洗钱、违规操作、骗贷等。模型预测的准确率超过90%某大型银行内外勾结

17、异常资金链模型25业务目标建模过程效果价值通过机器学习模型全面、自动分析，抓取金融借贷领域中内部员工与呵护或合作机构（个人贷款、汽车分期合作业务，房地产公司、评估公司、汽车经销商等）及其员工之间的异常资金往来、违反廉洁从业规定等违规行为，提交给人工审核借助人工智能技术提升内外勾结案件识别的准确率、覆盖率，提升内控管理效率，有效防控案件风险隐患采用GBDT算法，对全量内部员工与合作机构及其员工之间资金往来进行建模对原始特征进行特征工程：员工、客户、合作机构信息、交易、账户、岗位信息、客户法人信息等采用线下验证+线上验证的方式，人工对模型结果进行审核标注模型上线后，在生产环境中对异常资金链交易进行识别，预测准确率90%，同时模型召回的有效案件数量远超专家规则，有效提升金融内控风险防范力度某大型银行违规查询信息泄漏模型26业务目标建模过程效果价值通过机器学习模型全面、自动分析全行员工的系统访问和查询行为，对违规查询信息泄漏行为进行报警，提交专人审核提高违规查询事件的检查力度，提升检查的覆盖面和准确性，减少信息泄漏、倒卖客户隐私数据等事件的发生线下验证中，模型效果优于专家经验规则，在召回率