Это типовой сценарий. Он показывает, как Remolda подошла бы к ИИ-сортировке сигналов о мошенничестве в канадском кредитном союзе (credit union), что мы построили бы и что измеряли бы.
Ситуация
Представьте региональный кредитный союз в Онтарио с небольшой командой по мошенничеству и комплаенсу. Система правил отмечает необычные операции: крупный перевод, покупку за пределами провинции, активность в необычное время. Каждый сигнал уходит следователю.
Большинство сигналов оказываются обычной активностью членов союза. Каждый всё равно требует, чтобы человек поднял историю операций, иногда позвонил члену союза, записал итог и закрыл дело. Очередь растёт быстрее, чем команда её разбирает. Настоящие случаи мошенничества ждут за рутинными.
Правила написаны так, чтобы ничего не пропустить. Это разумный выбор. Его цена — очередь, полная законных операций.
Подход
Аудит (3 недели). Мы изучаем правила выявления, данные об операциях, процесс ведения дел и обязанности по отчётности, проводим интервью со следователями, менеджером по комплаенсу и директором по рискам. Цель — измерить на собственной истории кредитного союза, как часто каждое правило приводит к подтверждённому мошенничеству и сколько времени уходит на закрытие дела каждого типа. Эти два показателя становятся базовой линией.
Стратегия (4 недели). Схема сохраняет систему правил и добавляет после неё слой сортировки. Для каждой отмеченной операции слой оценивает историю члена союза, контекст операции и известные схемы мошенничества, а затем направляет дело одним из трёх путей:
- Закрыть с записанной причиной. Только ниже консервативного порога, заданного по историческим делам с известным исходом.
- Приоритетная проверка. Дело уходит следователю с кратким описанием, подготовленным ИИ, и доказательствами, на которых оно основано.
- Обычная проверка. Дело встаёт в очередь с кратким описанием контекста, чтобы следователь начинал с фактов.
Комитет по рискам и главный специалист по комплаенсу утверждают схему, порог и план надзора до начала разработки.
Внедрение (3 месяца). В первый месяц модель оценки строится и тестируется на собственных данных кредитного союза об операциях. Во второй и третий месяцы слой сортировки подключается к существующей системе ведения дел, так что следователи работают в привычных экранах. По каждому делу, которое попадает к следователю, окончательное решение принимает он.
Первые 60 дней старший следователь каждую неделю проверяет случайную выборку автоматически закрытых дел. Проверка переходит на ежемесячный режим только после того, как еженедельные результаты стабильны.
Обучение (параллельно). Обучение охватывает три темы: критическое чтение кратких описаний дел, подготовленных ИИ, отметку сомнительных оценок через кнопку обратной связи и подготовку документации, которая показывает проверяющим, как устроена система.
Что мы будем измерять
Каждый пункт ниже — целевой показатель, который мы зададим вместе с кредитным союзом и будем сравнивать с базовой линией из аудита. Величина каждой цели определяется только после измерения базовой линии.
- Доля сигналов по законным операциям. Отслеживается еженедельно, отдельно для автоматически закрытых и проверенных дел.
- Время закрытия дела. От сигнала до решения, по типам дел.
- Пропущенное мошенничество. Подтверждённое мошенничество, найденное среди автоматически закрытых дел в выборочной проверке. Допустимый уровень согласуется с комитетом по рискам до запуска, и если он превышен, порог ужесточается.
- Время следователей на реальные дела. Часы в неделю на дела, по которым принимаются меры.
- Полнота документации. У каждого автоматического закрытия есть записанная причина, у каждой выборки — записанный результат.
Правила, в которых работает сценарий
Кредитные союзы в Онтарио регулируются на уровне провинции, и все кредитные союзы являются субъектами отчётности перед FINTRAC (Центр анализа финансовых операций и отчётов Канады). Слой сортировки помогает ответственному за комплаенс; решения об отчётности принимают люди. Федерально регулируемые учреждения также учитывали бы Руководство OSFI E-23 по управлению модельным риском (Guideline E-23), которое вступает в силу 1 мая 2027 года. Если решение о члене союза в Квебеке принимается исключительно автоматизированной обработкой, Закон 25 Квебека (Law 25) требует уведомить этого человека. Источники перечислены на странице финансового сектора.
Главные выводы
1. Важны и точность, и полнота. Стремление поймать каждый случай мошенничества правильное. Слой сортировки стоит строить, только если он повышает точность без потери полноты, и проверяется это выборкой.
2. Документация — часть продукта. Проверяющие ищут систематическую, задокументированную и соразмерную систему. Слой сортировки записывает причину каждого решения, и у команды комплаенса появляются доказательства, которые можно показать.
3. Решение остаётся за людьми. Полностью автоматическое решение о мошенничестве добавляет регуляторный риск и риск ответственности. ИИ-сортировка с решением человека сочетает скорость модели с ответственностью следователя.
Смежные материалы: ИИ для банков и кредитных союзов и автоматизация процессов с помощью ИИ.