Het spook van $2 biljoen vangen: AI herschrijft de regels van financiële misdaad

Jaarlijks spoelen criminelen tussen de 800 en 2 biljoen dollar door het mondiale banksysteem. Dat is grofweg 2 tot 5 procent van het mondiale bbp. Voor financiële instellingen is het stoppen van deze stroom een ​​juridische noodzaak, maar het is ook een logistieke nachtmerrie. Traditionele methoden falen, waardoor onderzoekers verdrinken in vals alarm, terwijl geavanceerde criminelen door de kieren glippen.¹

Een overtuigend nieuw onderzoek door onderzoekers Chuanhao Nie (Georgia Tech), Yunbo Liu (Duke University) en Chao Wang (Rice University) onderzoekt hoe kunstmatige intelligentie dit landschap transformeert. Hun papier, “AI-toepassing bij de bestrijding van het witwassen van geld voor duurzame en transparante financiële systemen,” stelt dat de toekomst van schoon geld ligt in de overgang van rigide regels naar dynamische, intelligente netwerken.

Het probleem met “Als/Dan”

Banken vertrouwen al tientallen jaren op op regels gebaseerde monitoring. Deze systemen werken op eenvoudige logica: “Als een klant meer dan $10.000 contant stort, markeer dit dan.”

Het probleem is, zoals Nie, Liu en Wang benadrukken, dat criminelen de regels kennen. Ze ‘structureren’ deposito’s net onder de drempelwaarden of verspreiden het geld over tientallen rekeningen.² Ondertussen worden legitieme klanten voortdurend betrapt op onschuldig gedrag, waardoor een stroom van ‘false positives’ ontstaat die miljoenen bedrijfsuren verspilt.³ De onderzoekers benadrukken dat traditionele databases het web van verbindingen tussen een crimineel, een lege vennootschap en een offshore-account niet gemakkelijk kunnen ‘zien’.

De kerninnovatie die in dit onderzoek wordt gepresenteerd is de verschuiving van analyseren lijsten aan het analyseren netwerken. De auteurs stellen een systeem voor dat combineert Generatieve AI met Kennisgrafiekeneen techniek die bekend staat als Grafiek RAG (Retrieval-Augmented Generation).

Om te begrijpen waarom dit belangrijk is, moet je je het prikbord van een detective voorstellen.

• Standaard AI (vector-RAG): Werkt als een zoekmachine. Het zoekt naar trefwoorden in documenten. Het is goed in het vinden van feiten, maar slecht in het verbinden van punten.

• Grafiek RAG (de aanpak van de auteurs): Werkt als de detective. Het brengt entiteiten (mensen, accounts, adressen) in kaart als ‘knooppunten’ en hun interacties als ‘randen’. Het begrijpt dat persoon A geld heeft gestuurd naar bedrijf B, dat een adres deelt met gesanctioneerde persoon C.

In het laatste deel van hun artikel beschrijven Nie, Liu en Wang een baanbrekend experiment dat is ontworpen om “Know Your Customer” (KYC)-protocollen te moderniseren.

Ze bouwden een synthetische bankomgeving met 10.000 klanten en bijna een half miljoen transacties. Vervolgens stelden ze een standaard AI-model tegenover hun Grafiek RAG-agent. De uitdaging? Om complexe onderzoeksvragen te beantwoorden, zoals het identificeren van klanten die indirect verbonden zijn met gesanctioneerde entiteiten via gedeelde adressen of accounts van derden.

De resultaten waren grimmig.

• De standaard AI worstelde met complexe redeneringen, vaak hallucinerende antwoorden of er niet in slagen de relevante context te achterhalen (scoorde bijna nul op complexe redeneringstaken van niveau 5).

• De Graph RAG-agent blonk uit. Het bereikte een hoge ‘trouw’ en ‘antwoordrelevantie’, waarbij met succes multi-hop-relaties werden getraceerd om nauwkeurige, op bewijsmateriaal gebaseerde risicobeoordelingen te bieden.

Dit onderzoek gaat niet alleen over het vangen van slechteriken; het gaat over duurzaamheid. De auteurs stellen dat de huidige nalevingssystemen operationeel verspillend zijn. Door AI te integreren die minder valse alarmen en duidelijkere uitleg creëert, kunnen banken transparantere en hulpbronnen-geoptimaliseerde financiële systemen bouwen.

De auteurs waarschuwen echter dat er nog steeds uitdagingen bestaan. Privacywetten (zoals de AVG) maken het delen van gegevens tussen banken moeilijk, en AI-modellen moeten ‘verklaarbaar’ zijn – een toezichthouder moet dit weten Waarom de AI markeerde een transactie, en niet alleen dat.⁴

Door te bewijzen dat op grafieken gebaseerde AI kan redeneren als een onderzoeker in plaats van alleen maar te berekenen als een spreadsheet, hebben Nie, Liu en Wang een pad uitgestippeld naar een financieel systeem dat moeilijker te exploiteren en gemakkelijker te vertrouwen is.

Uitgelicht beeldtegoed