Améliorer la conformité commerciale grâce à l'intelligence artificielle (IA)

Les physiciens diront peut-être le contraire, mais c’est le commerce qui fait tourner le monde, du moins financièrement. Des problèmes de chaîne d’approvisionnement à la volatilité des prix dans toutes les classes d’actifs, des actions au pétrole brut, le commerce définit une grande partie du mouvement de l’économie internationale.

Avec des milliers de milliards de dollars circulant quotidiennement dans le système financier, la tentation de se livrer à des comportements subreptices est grande.

Les régulateurs, les responsables de la conformité et les dirigeants bancaires recherchent depuis longtemps des outils efficaces pour lutter contre la sophistication croissante des mauvais acteurs, dont les actes répréhensibles entraînent fréquemment des milliards de dollars de pertes financières.

Les responsables de la conformité et les régulateurs cherchent à identifier plus précisément et plus rapidement les actions criminelles telles que les délits d’initiés, la manipulation du marché, le blanchiment d’argent, les violations des sanctions/contrôles à l’exportation et les opérations sur les comptes d’autrui.

Un exemple récent est le scandale du Libor, où les commerçants des banques se sont entendus pour fixer des taux d’intérêt favorables aux commerçants plutôt qu’aux clients. D’autres exemples incluent les transactions de premier plan avant les transactions des clients, où l’obligation fiduciaire envers les clients n’est pas respectée.

L’identification des activités suspectes nécessite des capacités de surveillance appropriées, en particulier compte tenu de l’importante piste de communications et de transactions qui doit être évaluée. Par exemple, le Financial Times a rapporté une analyse de Behavox, qui a montré que seulement 0,0024 % des communications vocales écoutées et 0,0002 % des textes analysés par Behavox étaient signalés comme « préoccupants » en 2021.

Malgré leur faible fréquence, les conséquences pour les banques en termes d’amendes pour les actions réglementaires et de conformité sont importantes. Les banques ont été condamnées à une amende de 15 milliards de dollars dans le monde pour de telles violations rien qu’en 2020.

L’intelligence artificielle rejoint la lutte pour la conformité commerciale

L’intelligence artificielle (IA) est de plus en plus utilisée pour lutter contre les transgressions financières. L’IA et les modèles d’apprentissage automatique (ML) ou d’apprentissage en profondeur associés offrent aux régulateurs et aux responsables de la conformité de nouvelles capacités. Ces modèles peuvent gérer divers types de données, exécuter une suite d’analyses avancées et fournir un éventail de résultats pour aider à éliminer la fraude dans le commerce international.

Les modèles de langage d’apprentissage en profondeur créent un saut générationnel en avant

Certains types de fraude ne peuvent pas être découverts uniquement à l’aide des registres de transactions, des dossiers financiers et d’autres données tabulaires. À titre d’exemple d’échelle, Citi a traité 9,4 millions de transactions en 2018, pour environ 1 billion de dollars d’échanges, donnant à la banque un ensemble de données massif de 25 millions de pages.

Dans de nombreux cas, la fraude se produit en dehors de ces systèmes dans des processus impliquant des communications de données non structurées telles que l’audio, les images et les chats. Ici, la source finale des données d’enregistrement contient un minimum de marqueurs pour l’identification, des analyses avancées sont donc nécessaires pour découvrir les écarts.

Aucune équipe ne peut lire, interpréter et signaler efficacement les actes répréhensibles potentiels dans un ensemble de données de cette taille dans un délai réaliste. D’où le besoin de modèles d’apprentissage en profondeur et d’une infrastructure informatique accélérée qui permet aux ordinateurs de prendre en charge la conformité commerciale.

Avant le calcul accéléré, l’apprentissage du langage et des modèles non structurés/semi-structurés prenait des semaines ou des mois. Désormais, les modèles de langage et de vision peuvent être formés en quelques heures ou jours, et leurs résultats peuvent être livrés en quelques secondes.

Compte tenu du mouvement de l’argent en temps réel, les modèles doivent pouvoir s’exécuter en quelques millisecondes pour prévenir les crimes financiers. La prévention de la fraude en temps réel nécessite une compréhension du langage parlé. Pas seulement un langage, mais plusieurs, en temps réel, avec la capacité de comprendre le contexte, de décrire les sentiments, d’identifier les entités (entreprises, personnes, etc.) et d’intégrer toutes ces entrées complexes dans un algorithme de notation des fraudes.

À mesure que la taille des données augmente de manière exponentielle, des modèles plus sophistiqués sont formés, nécessitant des infrastructures informatiques accélérées plus avancées pour gérer efficacement la conformité commerciale. En plus des données non structurées, les données tabulaires peuvent être analysées pour des activités telles que les opérations de premier plan, les délits d’initiés et la collusion.

À mesure que le commerce international se développe, l’utilisation de l’IA doit suivre

Le niveau du commerce international continuera de croître à long terme à mesure que les chaînes d’approvisionnement se renforceront et que la pandémie s’atténuera. À mesure que les flux d’argent augmentent, le nombre d’acteurs malveillants qui cherchent à frauder le système pour leur propre gain financier augmentera également.

Les régulateurs financiers, les responsables de la conformité et les responsables bancaires doivent donner la priorité aux investissements dans l’IA, le premier outil capable d’analyser toutes les données (structurées et non structurées) qui alimentent les marchés financiers.

Lorsque des activités frauduleuses sont détectées, la conformité doit garantir qu’un juste équilibre est maintenu et que les unités commerciales peuvent continuer à exercer des fonctions commerciales qui génèrent des bénéfices légitimes. Les techniques d’IA peuvent filtrer de grandes quantités de données et identifier les activités/données avec des algorithmes avancés qui nécessitent une analyse plus approfondie.

Les systèmes existants sont souvent inefficaces ou marquent indûment de grandes quantités de données provenant de systèmes hérités, appelés excès de faux positifs. La réduction des faux positifs créera à elle seule des gains d’efficacité et des économies de coûts considérables. Il permettra aux entités financières d’analyser des tonnes de communications, des données commerciales et des millions d’entrées provenant de milliers de sources en temps réel. En attendant, les entreprises peuvent continuer à commercer et à réaliser des bénéfices, en tirant parti de véritables opportunités d’arbitrage – un gagnant-gagnant pour tous les acteurs du marché.