Com a globalização dos serviços financeiros e as inovações tecnológicas, as transações transfronteiriças se tornaram mais acessíveis e diversificadas, exigindo que os reguladores se adaptassem às novas circunstâncias. Nesse cenário, uma das principais preocupações é o combate à lavagem de dinheiro (AML) e ao financiamento ao terrorismo (CFT), de modo que a comunidade internacional tem cooperado para fortalecer medidas de AML/CFT e explorar o uso das novas tecnologias para mitigar os riscos de lavagem de dinheiro.
Nesse sentido, as mesmas tecnologias que facilitam os fluxos internacionais podem ser usadas também para combater a lavagem de dinheiro e o financiamento ao terrorismo, como é o caso da inteligência artificial (IA) e do Machine Learning (ML)
Na Ásia, diversos países já lançaram iniciativas, públicas e privadas, que exploram o uso de inteligência artificial e machine learning para identificar transações suspeitas, golpes e fraudes.
Uso de machine learning integra o plano “Fintech 2025” da Autoridade monetária de Hong Kong
A Autoridade Monetária de Hong Kong (HKMA), por exemplo, vem explorando o uso de machine learning como parte da sua estratégia “Fintech 2025” que visa acelerar a adoção de tecnologias financeiras no território nacional.
Nesse sentido, para auxiliar o uso de ML no combate à lavagem de dinheiro, a HKMA estabeleceu nos últimos anos a AML and Financial Crime Regtech Labs (Laboratório de Crimes Financeiros em Regtech, em sua tradução livre) para testar e desenvolver novas tecnologias e técnicas emergentes de análise de dados.
Com isso, desde novembro de 2021, a HKMA realiza de sessões de laboratório para testar, em um ambiente facilitado e controlado, casos de uso de machine learning no combate à lavagem de dinheiro e ao financiamento ao terrorismo. Isso reduz o risco de investimento em estruturas ineficientes, facilitando adesão por organismos públicos e privados.
Ademais, a HKMA entende que o compartilhamento de experiências e casos de sucesso são um elemento importante para difusão dessas tecnologias. Assim, desde setembro de 2021, vem realizando seminários e palestras com agências públicas e players da indústria sobre combate de fraude on-line e lavagem de dinheiro usando tecnologia e dados, estabelecendo, inclusive, um portal de treinamento on-line AML/CFT.
Instituições públicas e de ensino se envolvem com pesquisas sobre machine learning em Singapura
O cenário não é diferente em Singapura e o uso de machine learning está avançando no combate à lavagem de dinheiro e financiamento ao terrorismo. A Universidade Tecnológica de Nanyang de Singapura (NTU Singapura) e as principais instituições financeiras do país se envolveram em um projeto de pesquisa para desenvolver novas capacidades para a detecção de lavagem de dinheiro.
A pesquisa se concentrou no uso dessas tecnologias para aumentar a capacidade dos sistemas existentes, de modo a determinar padrões em dados e transações complexas que envolvam fluxos de dinheiro incomuns e transações suspeitas.
A pesquisa também testou o uso de novas tecnologias para uma arquitetura de preservação de privacidade, onde os dados permaneciam em bancos de dados individuais, enquanto os modelos de dados eram extraídos pelos sistemas IA/ML.
Maior banco do sudeste asiático implementou um sistema baseado em machine learning e inteligência artificial
Outro projeto que se destaca é o do DBS Bank, maior banco do sudeste asiático, que está usando um novo sistema de inteligência artificial e machine learning para detectar fraudes.
Na verdade, o DBS, assim como a maioria dos bancos no mundo, já possuía um sistema que usava uma forma antiga de IA. Nesse modelo, funcionários do banco avaliam os alertas gerados por um sistema baseado em regras que determinam atividades potencialmente suspeitas.
O problema desse modelo é que ele gera um grande número de alertas que, na maioria das vezes, são falsos positivos. Isso ocorre, pois, algum aspecto da transação dispara uma regra que leva a sinalização de fraude. No entanto, após o acompanhamento de um analista humano, verifica-se que a transação não é realmente suspeita.
Assim, para corrigir essa deficiência o DBS passou alguns anos desenvolvendo uma nova geração de recursos de IA/ML combinada ao antigo o sistema. A combinação permitiria ao banco priorizar os alertas gerados de acordo com uma pontuação de probabilidade calculada.
O novo sistema de machine learing foi treinado para reconhecer situações suspeitas e fraudulentas a partir de dados, resultados recentes e históricos pessoais. Munido dessas informações, o sistema analisa todos os alertas gerados pelo sistema antigo e atribui a cada alerta uma pontuação categorizada em risco superior, médio e baixo. Esse tipo de “pós-processamento” permite que o analista decifre quais transações priorizar e quais podem esperar ou serem descartadas, aumentando a eficiência de detecção de fraudes.
Veja mais:
Inteligência Artificial e o impacto no mercado financeiro
Internet das Coisas: conheça a tecnologia que promete revolucionar os serviços financeiros
Guia prático sobre RegTech em Hong Kong já apresenta resultados positivos
Lei de Serviços Digitais é adotada na Europa: entenda o que isso significa
Hackers intensificam ataques em DeFi, entenda os riscos do setor
