เทคนิคการฟอกเงินแบบใหม่ทำให้บริษัทต่าง ๆ ต้องเพิ่มมาตรการรักษาความปลอดภัยมากขึ้น AI อาจช่วยได้
แต่คุณจะนำไปใช้อย่างไรได้บ้าง เพราะต้องตอบสนองกฎระเบียบอันเคร่งครัดและลดการทำงานหนักไปพร้อมกัน
เชิญอ่านต่อได้เลย
ข่าวดีคือ การนำ AI มาใช้ก็ไม่ได้ยากหรือใช้เงินมากมายอย่างที่บางคนคิด ไม่จำเป็นต้องมีการนำระบบใหม่ทั้งหมดมาใช้ซึ่งต้องเสียเงินมหาศาลและดำเนินโครงการที่จะคงอยู่ไปอีกนาน เราเพียงเพิ่มโมดูลลงไปในกระบวนการที่มีอยู่แล้ว นั่นคือโมดูล AI
หลาย ๆ คนเข้าใจว่าอาจจะดูซับซ้อนเกินกว่าจะรับมือได้ แต่การมีคู่หูที่เชื่อถือได้แถมยังมีประสบการณ์นั้นช่วยได้แน่นอน แล้วจะหาจากไหนดี เริ่มตรงไหนดี
อินโฟกราฟิกแบบเข้าใจง่ายของเราน่าจะบ่งบอกถึงประเภทความท้าทายที่อาจเกิดขึ้นตลอดเส้นทางนี้ได้อยู่บ้าง โดยเราได้จัดหมวดหมู่ความท้าทายต่าง ๆ เหล่านั้นตามระยะโครงการเพื่อให้เข้าใจง่ายยิ่งขึ้น บางขั้นตอนอาจต้องดำเนินการพร้อมกัน บางขั้นตอนต้องดำเนินการกลับไปกลับมา เช่น การฝึกอบรมและการทดสอบเกี่ยวกับข้อมูล
AI ก็เหมือนกับข้อมูล ยิ่งข้อมูลมีคุณภาพ ยิ่งมาจากหลายแห่ง ก็ยิ่งดี
การใช้ปัญญาประดิษฐ์ – กราฟแบบง่าย
I เริ่มตรงไหนดี
เราไม่สามารถเริ่มใช้ได้เลยทันที แต่ต้องวิเคราะห์และทำอะไรหลาย ๆ อย่างก่อนนำมาใช้จริง ต้องใช้วิธีการที่พิถีพิถันและเป็นขั้นตอน
การระบุปัญหา – ก่อนอื่นเราต้องมองจากข้างในแล้วระบุปัญหา เราอาจเห็นว่าข้อผิดพลาดนั้นมีปริมาณมากและเพิ่มขึ้นเรื่อย ๆ ทำให้กระบวนการ AML ของเราไม่มีประสิทธิภาพ จำนวนการแจ้งเตือนเพิ่มขึ้น แต่ระดับการตรวจจับลดลง และพนักงานของเราใช้เวลามากในการประมวลผล
เราต้องทำให้กระบวนการ AML มีประสิทธิภาพมากขึ้น
การคัดเลือกผู้ค้า (ขั้นตอนเชิงพาณิชย์) – โดยปกติแล้วภายในองค์กร เป็นเรื่องยากมากที่คุณจะมีทีมงานที่มีทักษะและประสบการณ์สูงในการสร้างโมเดล AI/AML คุณอาจจะจ้างคนเก่ง ๆ มาได้ แต่การสร้างทีมที่ดีต้องใช้เวลาหลายปี การใช้ประโยชน์จากประสบการณ์ของผู้ให้บริการโซลูชันภายนอกเฉพาะทางซึ่งผ่านการทดสอบมาแล้วนั้นไม่เพียงแค่ช่วย ให้เร็วขึ้นและดีขึ้นเท่านั้น แต่ยังใช้ต้นทุนน้อยกว่ามากอีกด้วย
การนิยามปัญหา – เมื่อเรารู้ปัญหาที่เราจะแก้แล้ว เราต้องนิยามปัญหาให้เที่ยงตรงแม่นยำอีกด้วย ซึ่งช่วยรับรองได้ว่าโซลูชันที่เราจะสร้างขึ้นมานั้นช่วยแก้ปัญหาได้โดยตรง และเราสามารถวัดผลได้ว่าโครงการได้รับผลลัพธ์ที่น่าพอใจหรือไม่
การประเมินข้อมูล – เราต้องตรวจดูข้อมูลของเราตามปกติ แต่ก่อนที่เราจะทำอย่างนั้น เราจำเป็นต้องกำหนดตำแหน่งข้อมูลก่อน ซึ่งอาจเป็นไปได้ว่าข้อมูลธุรกรรม ข้อมูลลูกค้า ข้อมูลบริษัทมาจากแหล่งต่าง ๆ ที่แตกต่างกัน จึงเกิดคำถามขึ้นว่าการดึงข้อมูลนี้ยากเพียงใด และเหนือสิ่งอื่นใด มีข้อมูลจำนวนเท่าใดและจำเป็นต้องใช้ข้อมูลใดเป็นพิเศษ เราจำเป็นต้องสร้างแผนผังโดยละเอียดที่มีแหล่งข้อมูลและข้อมูลต่าง ๆ ว่าต้องการข้อมูลประเภทใดบ้างและเมื่อส่งข้อมูลไปจะเป็นอย่างไร
การตรวจสอบข้อมูล – เมื่อเรารู้ประเภทข้อมูลที่ต้องการและตำแหน่งข้อมูลแล้ว แล้วสถานะข้อมูลเป็นอย่างไร ความหมายก็คือ ข้อมูลเรียกค้นได้ง่าย สมบูรณ์ครบถ้วน ตีความได้ และสามารถจัดโครงสร้างในลักษณะที่ต้องการได้หรือไม่ ซึ่งต้องกำกับสถานะให้เหมาะสม (เช่น เพิ่มคำอธิบายรูปภาพ) นั่นคือเหตุผลสำคัญที่ต้องทราบข้อมูลทั้งหมดนี้ก่อนนำไปใช้งาน และอย่าลืมว่าต้องอธิบายโครงสร้างฐานข้อมูลให้ถูกต้องด้วย
KPI – ก่อนที่คุณจะประกาศความสำเร็จครั้งใหญ่ คุณต้องรู้ว่าผลลัพธ์ที่ได้นั้นตรงตามความคาดหวังของคุณหรือไม่ แล้วจะวัดผลอย่างไร จะหาจำนวนได้อย่างไร หากวัตถุประสงค์ของคุณคือ ลดปริมาณงานลง 20% คุณก็ต้องคำนวณตามแนวทางที่กำหนดไว้อย่างเคร่งครัด
การเลือกประเภทการปรับใช้ – ตำแหน่งและวิธีการปรับใช้มักเป็นเรื่องที่หลาย ๆ คนกังวลเสมอ ดังนั้นคุณจึงควรปรึกษาหารือถึงตัวเลือกต่าง ๆ กับฝ่าย IT และผู้ค้าก่อน คุณต้องแน่ใจว่าทั้งสองฝ่ายเห็นพ้องด้วยเกี่ยวกับตำแหน่งและวิธีปรับใช้โซลูชันนี้
II การกำหนดเงื่อนไข
การตรวจทานนโยบายการแบ่งปัน – น่าประหลาดใจที่โครงการในระยะนี้อาจใช้เวลานานกว่าที่คาดไว้ในตอนแรก AI ไม่ชอบข้อกำจัดเท่าไรนัก แต่ก็ยอมรับได้บ้างในระดับหนึ่ง อย่างไรก็ตาม นโยบายภายในและกฎการปฏิบัติตามระเบียบข้อบังคับที่เข้มงวดเกินไปอาจต้องการผลักดันให้มีการทำข้อมูลให้เป็นข้อมูล นิรนามจนปิดกั้นการแบ่งปันข้อมูลไปโดยสมบูรณ์ หากข้อมูลถูกตัดแต่งมากเกินไป AI จะไม่สามารถทำงานได้อย่างถูกต้องและไม่ให้ผลลัพธ์ตามที่คาดหวัง ดังนั้นจึงเป็นสิ่งสำคัญอย่างยิ่งที่ต้องหาวิธีที่ลงตัวซึ่งข้อมูลจะเป็นนิรนาม แต่เฉพาะในระดับที่จะช่วยให้ AI สามารถเรียนรู้ได้
การทำข้อมูลให้เป็นข้อมูลนิรนาม – เมื่อหาวิธีที่ลงตัวได้แล้ว ก็เริ่มทำข้อมูลให้เป็นข้อมูลนิรนามได้ ข้อมูลละเอียดอ่อนทั้งหมด เช่น นามสกุลของลูกค้า บัตรประจำตัว ที่อยู่บ้าน ต้องถูกแทนที่ เพื่อให้แน่ใจว่าไม่สามารถละเมิดข้อมูลได้ AI จะได้รับการฝึกกับข้อมูลนิรนาม
III การแบ่งปันข้อมูล
การแบ่งปันข้อมูล – โดยปกติแล้ว คุณไม่สามารถแนบไฟล์ Excel ที่มีข้อมูลแล้วส่งให้ผู้ค้าวิเคราะห์ได้ เพราะมีมาตรการการแบ่งปันข้อมูลที่มีการควบคุมอย่างเข้มงวดและเคร่งครัดที่ต้องปฏิบัติตาม เราต้องตรวจสอบให้แน่ใจว่าทั้งสองฝ่ายสามารถปฏิบัติตามเกณฑ์การส่งต่อข้อมูลได้ตามที่คาดไว้ทุกประการ โดยฝ่ายกำกับดูแลการปฏิบัติตามระเบียบข้อบังคับ/รักษาความปลอดภัยอาจต้องตรวจสอบกระบวนการนี้อย่าง ละเอียดถี่ถ้วน
IV การสร้างโมเดล AI
ในระยะนี้ประกอบด้วยสองระยะย่อย: การเตรียมข้อมูลและการพัฒนาโมเดล AI ซึ่งหากเจาะลึกรายละเอียดลงไป ยังมีขั้นตอนอีกมากมายที่ต้องดำเนินการ
เราต้องคำนึงไว้เสมอว่าข้อมูลบางส่วนจะไม่ถูกเปิดเผย โดยจะไม่แตะต้องข้อมูลบางส่วน (ปกติแล้วประมาณ 20%) AI จะไม่เรียนรู้จากข้อมูลนั้นในขั้นตอนนี้ แต่จะนำมาใช้เพื่อทดสอบความสามารถของ AI ในขั้นตอนการประเมินผลขั้นสุดท้าย
การวิเคราะห์ข้อมูลเชิงสำรวจ – พูดง่าย ๆ คือ ขั้นตอนนี้เป็นการวิเคราะห์ข้อมูลที่ช่วยให้เราทราบว่าข้อมูลบางส่วนขาดหายไป ไม่สมบูรณ์ หรือไม่สามารถตีความได้อย่างแม่นยำหรือไม่
วิศวกรรมคุณสมบัติ – ในขั้นตอนนี้ นักวิทยาศาสตร์ข้อมูลจะแปลงข้อมูลในลักษณะที่ช่วยให้ AI สามารถคาดการณ์ได้ดีขึ้น นอกจากนั้นยังเพิ่มคุณสมบัติข้อมูลพิเศษบางอย่างให้กับข้อมูลในขั้นตอนนี้อีกด้วย
การเลือกโมเดล การฝึก การทดสอบ และการเพิ่มประสิทธิภาพ – อย่างที่คุณอาจทราบแล้ว การเรียนรู้ของ AI เป็นกระบวนการที่ต่อเนื่องและใช้เวลาพอสมควร โมเดลส่วนใหญ่มักไม่เป็นไปตามที่คาดหวัง ดังนั้นคุณจึงต้องเลือกทำงานกับโมเดลที่ดีที่สุดเท่านั้น โดยโมเดลดังกล่าวนี้จะเป็นรากฐานสำหรับโมเดลต่อไปด้วย กระบวนการจะดำเนินต่อไปจนกว่าจะเลือกโมเดลที่ดีที่สุดได้
V การประเมินผลขั้นสุดท้าย
การนำเข้าข้อมูลทั้งหมด ทดสอบชุดข้อมูลร่วมกัน – ยังจำข้อมูล 20% ที่เราไม่ได้แตะต้องได้ไหม ถึงเวลาทดสอบโมเดล AI ที่เราสร้างขึ้นแล้ว เราต้องทดสอบ AI ของเรากับชุดข้อมูลใหม่ หากโมเดลนี้สามารถตรวจจับกรณีการฟอกเงินได้ในอัตราที่ใกล้เคียงกับกรณีที่สังเกตได้จากข้อมูลการฝึก แสดงว่าโมเดลนี้ทำงานได้ดี
การทดสอบแบบปกปิดข้อมูลทั้งสองทาง – เพื่อสร้างโมเดลที่มีความซับซ้อนสูง เราสามารถใช้เทคนิคพิเศษนี้ได้ ทั้งสถาบันการเงิน เจ้าของข้อมูล หรือผู้ค้าจะไม่ทราบว่ากรณีใดในชุดข้อมูลนั้นเป็นการฟอกเงิน หากโมเดล AI สามารถตรวจจับได้ ถือเป็นการยืนยันถึงความแม่นยำในการคาดการณ์ที่ยอดเยี่ยม
สรุปรายงาน – จำตอนที่เราระบุและนิยามปัญหาแล้วกำหนดดัชนีชี้วัดประสิทธิภาพหลักได้ไหม นั่นแหละคือช่วงเวลาที่เราควรวัดผลลัพธ์ จัดทำรายงาน และเปรียบเทียบผลลัพธ์กับความคาดหวัง
การปรับแก้ – อาจมีบางส่วนที่ยังสามารถปรับปรุงได้ ทั้งในตัวโมเดลเองหรือชุดข้อมูล/โครงสร้างก็ตาม เป็นความคิดที่ดีเสมอที่จะเว้นที่ว่างไว้สำหรับการปรับเปลี่ยน
VI การปรับใช้
การผสานรวมเข้าด้วยกัน – หัวใจสำคัญของงาน AI คือการย่อยข้อมูล AI จะทำงานไม่ได้ หากการผสานรวมข้อมูลไม่สมบูรณ์หรือไม่ถูกต้อง เราจึงต้องตรวจสอบให้แน่ใจว่าการผสานรวมทั้งหมดนั้นไม่มีข้อผิดพลาดใด ๆ
เริ่มใช้งานจริง – หลังจากเหน็ดเหนื่อยกันมานาน ก็ถึงเวลาที่จะได้เหนื่อยกันจริง ๆ แล้ว เพราะเราต้องเปิดใช้งาน AI จริง โดยปกติแล้ว แนวทางและการดำเนินการขึ้นอยู่กับแนวทางของลูกค้าและโครงสร้างพื้นฐานเป็นหลัก แต่สิ่งที่สำคัญที่สุดคือ โซลูชันนี้ต้องรวมเข้ากับเครือข่ายที่มีอยู่แล้วให้ได้
VII การติดตามอย่างต่อเนื่อง
การติดตาม – เมื่อเริ่มใช้งาน AI จริง เราสามารถเฉลิมฉลองความสำเร็จได้ และเฝ้าติดตามปริมาณงานของแผนก AML/กำกับดูแลการปฏิบัติตามระเบียบข้อบังคับที่ลดลง แน่นอนว่า AI ช่วยได้มาก แต่เมื่อเวลาผ่านไปและเทคนิคการฟอกเงินเริ่มพัฒนาขึ้นไปอีก เราก็จำเป็นต้องตรวจสอบให้แน่ใจว่าโมเดล AI ไม่ล้าสมัย ดังนั้นจึงควรประเมินโมเดล AI ของเราใหม่เป็นระยะ ๆ และปรับแต่งโมเดลเพื่อให้แน่ใจว่าโมเดลทำงานได้เป็นอย่างดีตลอดเวลา
สรุป
การนำ AI มาใช้นั้นไม่ได้ทำได้รวดเร็วง่ายดาย โดยเฉพาะอย่างยิ่งหากคุณไม่มีทีมงานผู้เชี่ยวชาญที่มีเงินทุนและประสบการณ์สูง แต่ AI ก็เป็นเทคโนโลยีที่ช่วยเพิ่มขีดความสามารถของบริษัทได้อย่างมาก หากใช้อย่างเหมาะสม ดังนั้นก่อนทำการใหญ่ ขอแนะนำให้ปรึกษากับผู้เชี่ยวชาญในด้านนี้และตรวจสอบความเป็นไปได้ของกรณีศึกษาเฉพาะก่อน
หมายเหตุจากผู้เขียน
AI พร้อมช่วยคุณ เพียงแค่ต้องหาบุคลากรที่เหมาะสมที่จะจัดการให้คุณ
สนใจผลลัพธ์สุดท้ายของโครงการดังกล่าวใช่ไหม คุณสามารถดูข้อมูลภาพ AI ของแผนก AML/กำกับดุแลการปฏิบัติตามระเบียบข้อบังคับได้ที่ลิงก์นี้:
