新技术为反洗钱提供了有力工具

金融机构进行反洗钱识别所依赖的基础数据除了数量级大的特点，还兼有非连续性、低质量、缺乏数据字典和元数据等一系列负面特质，但却为新兴人工智能技术工具提供了一展身手的广阔天地，主要包括：

1.大数据技术。麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

2.知识图谱。在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。知识图谱的重要应用方向即是呈现不同事物之间的联系，从而为管理和决策提供切实的、有意义的参考。

3.机器学习。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

应用场景分析

根据我国反洗钱法的规定，金融机构的反洗钱义务主要包括“依法采取预防、监控措施，建立健全客户身份识别制度、客户身份资料和交易记录保存制度、大额交易和可疑交易报告制度”。结合金融机构的实际工作，人工智能技术可以从客户身份识别和可以交易识别两个方面帮助我们提高反洗钱识别能力。

1.客户身份识别

如果把金融机构识别风险客户比作是渔夫用渔网捕鱼，应用场景可以如下所述。

首先，金融机构获取的海量客户和交易数据就是制作渔网的原材料，利用大数据技术将相关数据按照流程存储、传输、清洗、输入模型，输出了不同的客户数据特征值，类比成输出不同规格的鱼线，用以编织不同规格的渔网。与传统工艺所不同的是，利用大数据技术进行的数据加工过程不再因为量级、效率、维度等因素而受限。落地到客户身份识别场景中，可以存储和分析的信息不再局限于开户申请中所获取的有限信息项，通过有效引导，将会扩大到交易信息项。另一方面，大数据的流式计算技术使监控工作从事后分析逐步前移，为事中和事前监控开启了可能。

其次，金融机构关于客户风险等级的分类可以比作是渔夫期望捕鱼的大小规格，用不同规格的鱼线、根据设计的网口大小和图案可以织出不同规格的渔网。同样，根据不同的客户数据特征值和金融机构设定的风险参数，利用机器学习和知识图谱技术可以建立起客户的风险视图。知识图谱可以打破传统数据库关联的瓶颈，类比于神经元网络，可以向任意方向拓展；机器学习可以解放产品经理，只要提供足够的正负样本，就可以让程序自己去模拟人类学习过程，进一步明晰事物之间的联系。以办理一笔跨境汇款业务的客户为例，只要有足够的客户信息数据、转账交易数据支撑，就可以通过知识图谱技术，构建以该客户为中心的网络，找出最终的资金提供方与资金接收方。

最后，渔夫收网，金融机构识别出了客户的风险等级。识别的过程同样也可以作为管控的过程，对于高风险的大鱼，直接收网（拦截、告警等），对于无风险或者风险可控的客户，可以允许其办理或者有条件的办理业务。

上述比喻仅初步描述了金融机构利用新技术进行客户身份识别的场景，实际应用当中必定更为复杂多样。人工智能较之传统的技术手段，将会给金融机构的反洗钱工作带来革命性的改变。大数据技术使金融机构奠定了对于数据的掌控能力，通过高效率的机器学习，将会多维的刻画出客户及其行为，辅之以知识图谱对于异步消息的整理，使金融机构对于客户身份识别变的前所未有的清晰。

2.可疑交易识别

严格来说，客户身份识别和可疑交易识别是很难严格区分开的，如果把客户看作是神经元网络的细胞体，那么客户交易在某种程度上可以看作是突起。客户基本信息可以作为静态因子，客户交易则动态的描述了客户行为，建立起不同客户之间的联系，可以辅助客户风险视图的完善。另一方面，客户风险等级可以反作用于可疑交易的识别。

通过人工智能构建起的反洗钱可疑交易识别网络，可以区分非实时、准实时、实时场景进行反洗钱管控。首先，非实时的场景，主要是针对于历史数据进行的加工处理，通过对大量客户数据、交易数据进行加工，形成多维度的识别结果，这些结果可以用于事后监控和分析，也可以用于实时校验的参考值。因为无需考虑实时交易处理效率，上述场景可以支持海量数据的处理，运用的技术手段可以更加多样，最终获取的结果也更加丰富。其次，准实时和实时场景，主要是针对需要强控的业务，能够在交易当步进行有效识别和管控，系统可以通过实时计算将交易网络和其他有效信息直接展示给审核人员，并且可以根据历史数据分析判断交易的合理性，其判断结果可以实时展示给审核人员参考，在这个过程中，人工审核的结果可以作为机器学习的辅助修正手段，用以持续优化识别模型。当系统模型判断结果的准确度达到一定高度后，金融机构可以根据各自的内控制度、业务量级和人力资源情况，直接在系统中设定相应的阈值进行预警、阻断等自动化处理，在降低人力成本的同时提高反洗钱识别效率。目前金融机构的常规做法是先由系统进行初步识别，对于可疑交易落入人工审核队列，然后由专业人员决定交易是否放行。

诚然，相比于人类亿万年进化而来的文明和智慧，人工智能的发展仍然处于试验和萌芽阶段。虽然金融机构可以获取到足够丰富的信息，也都形成了向数据要结果的普遍共识，但是如何进行数据的有效融合和利用，真正发挥出数据的价值，目前仍没有足够多的有效方法。另一个方面，洗钱犯罪也处在同样的科技轨道中，其犯罪成本更低、违法手段更加“高明”，因此，利用人工智能编织反洗钱的天网是金融机构的必然选择，无论是纵向深入（数据深挖掘）还是横向合作（跨机构或者跨行业），虽然道路险阻，但未来可期。

（来源：亿欧）