「悪質な行為者」や犯罪行為への対策に、320億米ドルが費やされている。
金融機関は、人身売買、贈収賄、汚職による収益を検知するための支援を必要としている。
機械知能は、顧客の本人確認や取引監視といった重要なプロセスを変革できる。
麻薬密売人や人身売買業者は、他の犯罪者とともに、世界の金融システムを悪用して不正な事業を運営・拡大している。こうした悪質な行為者による悪用から世界の金融システムを守ることは金融機関の責任であり、容易なことではない。金融機関（FI）は、顧客の「真の身元」を特定することや、取引活動を継続的に監視することに苦慮しており、それには多大な費用と人員が必要となる。実際、マネーロンダリング対策（AML）および顧客確認（KYC）のコンプライアンス関連支出は、2019年に世界で321億米ドルに達すると推定された。そのコストと労力は、成功すれば正当化されるだろう。残念ながら、国連薬物犯罪事務所は、世界で毎年8,000億米ドルから2兆米ドルが洗浄されていると推定している。
その資金は、人身売買を含むさまざまな違法な発生源に由来しており、人身売買による収益は推定で年間1,502億米ドルが世界で生み出されており；麻薬密売による収益は推定で4,260億米ドルから6,520億米ドルの間に上り、贈収賄・汚職は推定で世界GDPの5%、あるいは世界全体で数兆米ドルに上る。麻薬密売収益が金融システムに最初に入る際の経路は、主に現金である。贈収賄・汚職の収益のマネーロンダリングは、多くの場合、法人、信託、非営利団体の利用に依存する。人身売買の収益のマネーロンダリングは、現金、暗号資産、オンライン決済を含むさまざまな金融商品に依存する。それぞれ検知を複雑にする方法は異なり、いずれも静的なルールによる検知を回避しやすくなっている。例えば、「高リスク地域に1万ドルを超える端数のない米ドル額が送金された場合は、アラートを発する」といったケースである。
では、金融機関は不正資金の排除に向けた取り組みをどのように強化できるのか。その答えの一つは、より優れたツールが必要だということである。例えば、Traffik Analysis Hubなどの組織から入手可能な公開データを分析できるツールであり、疑わしい人身売買業者の広告サイトから取得した携帯電話番号などを、顧客情報ファイルと照合することが可能である。
本稿では、機械知能（MI）が金融犯罪の検知と防止をより効果的かつ効率的にするために活用されている4つの方法について考察する。
1. KYC情報の収集と監視を大幅に強化
金融機関は、顧客の身元を確認し、デューデリジェンスを実施しなければならない。身元確認の一段階は、事業体の最終的な実質的支配者を確認することであり、金融機関はこの情報について顧客本人に大きく依存している。そのため、不正確で虚偽の情報が登録されやすくなっている。金融機関はまた、潜在的な顧客、顧客、および顧客の顧客について、公開情報から「ネガティブ・ニュース」をスクリーニングしなければならない。こうした検索の結果、膨大な情報が生じるが、それらは確認を要するものの、多くの場合、検索対象の個人に関係しないため、時間と資源を浪費している。自動化されたオンボーディングソリューションを利用している金融機関であっても、オンボーディングのプロセスには最大12週間かかることがあり、その費用は推定で1顧客あたり6,000米ドルから2万5,000米ドルに上る。
自然言語処理は、金融機関が非構造化データ内の所有権情報を特定するために活用でき、顧客本人からこの情報を収集する必要性を軽減する。また、パナマ文書やパラダイス文書などのリーク、公的登録簿、そしてNGOのLiberty Sharedなど、公的登録簿の情報を集約する団体から公開データが増えるにつれ、この技術の重要性はさらに高まる。同時に、データが増えれば仕分けすべき量も増える。そこで機械知能の出番となる。身元や実質的所有者情報の仕分けでも、スクリーニング過程の「ヒット」を確認して関連情報を絞り込む場合でも、MIソリューションはプロセスを変革できる。MI技術は、利用可能なデータのごく一部しか処理できない手作業のプロセスを、多数のデータソースから正確かつ迅速に情報を収集・絞り込む自動化プロセスに置き換えることができる。
2. 顧客の体系的なセグメンテーションにより、異常・不審な行動がより明確になる
金融機関は取引活動を監視し、不審な活動を特定する責任を負っている。実務上、これは、すべての取引が、潜在的に不審な活動の兆候（例：高リスク管轄区域への、または同区域からの多額の切りの良い米ドル取引）が検知された際にアラートを発するよう設定された取引監視（「TM」）システムに送られることを意味する。しかし、完璧に設定されたTMシステムであっても、大量の偽陽性アラートを生成する（一部の推計では、その割合は98%にも上るとされる）。行動分析を用いることで、MIモデルは金融機関の顧客に関する経歴情報および取引情報を取り込み、類似した行動をとる集団に顧客をセグメント化できる。例えば、主に退職者で電子的な活動が少なく、送金人よりも受取人となることが多い集団などである。顧客を行動によって体系的にセグメント化することで、その集団内の異常な行動の検知が容易になる。さらに重要なのは、不審な活動のアラートが、潜在的な違法行為の現実的なリスクを示す傾向がある点である。ある事例では、インテリジェント・セグメンテーションにより偽陽性アラートが45%減少し、金融機関はこれまで検知されなかった不審な活動を特定できるようになった。
3. 隠れた関係性を明らかにする
インテリジェント・セグメンテーションがノイズを減らし、より潜在的に不審なアラートを特定できる一方、ネットワーク生成を伴うエンティティ解決は、情報をより全体的に活用できるようにすることで、調査担当者がそれらのアラートを精査するのを支援できる。こうしたソリューションは、ソーシャルメディア、ニュースフィード、企業登記簿など、社内および社外のデータソースから数百万のデータポイントを統合し、顧客とその活動の全体像を作成できる。さらに、その顧客が他者とどのように取引・交流しているかを示すネットワークを構築でき、そうでなければ隠れている関係性や結びつきを明らかにする。これは、金融機関内で複数の口座を持つことがあり、取引の動きが速く、複数の記録管理形式があり、複雑な組織構造を持ち、関連取引が異なるシステムや期間にまたがって発生しうる貿易金融や金融市場などの分野で特に有用である。
上記のようなルールベースのアプローチから行動ネットワーク・アプローチへの移行により、偽陽性は劇的に減少し、同時にこれまで発見されなかった潜在的な不審な活動も特定できるようになった。
4. 明白な偽陽性の処理に教師あり学習を活用する
不審な活動を監視することに加え、金融機関は、制裁対象の個人または事業体を特定するために、顧客や取引のスクリーニングを実施しなければならない。MI、特に教師あり学習は、制裁対象の個人または事業体との一致を示すアラートを精査し、明白な偽陽性を検出するために用いることができる。例えば、Scuba Diving Inc.がOFAC制裁リストの「Cuba」と一致するケースなどである。明白な偽陽性を取り除くことで、金融機関はより価値の高いアラートに資源を集中できる。ある事例では、必要な品質保証のレビューを除き、人の介入なしに40%を超える偽陽性の一致が解消された。
上記のツールは、個別に、または組み合わせて利用することで、今日の金融機関が直面する最も困難な課題に対処できる。正しく導入されれば、金融機関が自社システム内の麻薬密売、人身売買、贈収賄・汚職の収益を検知する助けとなる。機械知能の活用は身の回りで起きているが、世界の不正行為や社会的不公正を是正するためのMI活用事例はこれまでほとんどなかった。この状況は変わりつつある。
第四次産業革命に対して世界経済フォーラムは何をしているのか？
フロンティア技術・イノベーションセンターは、科学者、政策立案者、ビジネスリーダーを結集し、新興技術とその現実世界への影響を読み解けるようにしている。
連携と実験を可能にすることで、同センターは、パートナーが研究段階のイノベーションを、世界が共有する課題に対処する実用的な応用へと転換する支援をしている。
