Június 19-én tartotta a SAS Institute és a Consortix közös eseményét, ahol ezúttal a tőkepiaci visszaélések, valamint a mesterséges intelligencia témák voltak középpontban. Az előadások mellett egy kerekasztal-beszélgetés keretében igyekeztek választ adni többek között arra a kérdésre a résztvevők, hogyan alkalmazható a mesterséges intelligencia az AML (Anti-Money Laundering) területén, vagyis hogyan is lehet a pénzmosás elleni védekezés során hasznát venni a gépi tanulási módszereknek, ezáltal pedig hatékonyabbá tenni a megfelelést (compliance-t).

 

Földvári Szabolcs, a SAS Institute sales vezetője elmondta, hogy a téma különösen aktuális most, mert a legtöbb iparág számára fontos területnek számít, köztük a compliance szempontjából is. A SAS ezt elismerve az év elején elindított egy 1 milliárd dolláros fejlesztési programot, amely kifejezetten a mesterséges intelligencia alkalmazások fejlesztésére fókuszál, azon belül is három kiemelt területre: a szoftverelemzésre, a képfelismerésre és a gépi tanulásra. Ezek mind relevánsak lesznek a compliance terület szempontjából is a jövőben.

 

Sváb Tamás, a Consortix Kft. sales vezetője kihangsúlyozta, hogy ezt a rendezvényt különösen várták, hiszen a táma aktualitása mellett a jövőben is egyre nagyobb szerepe lehet a mesterséges intelligenciának, gépi tanulásnak. A Consortixnál jelenleg egy kutatási-fejlesztési projekt zajlik ebben a témában, melynek keretében együtt dolgoznak két hazai pénzintézettel, az MKB és az OTP Bankkal.

 

A másik fontos téma a tőkepiaci compliance volt, ehhez kapcsolódóan jelenleg is van futó projekt az MKB-nál. Ez üzleti szempontból ugyan eltér és elég specifikus tudást igényel, de technológiailag ugyanazzal a megoldással hasonló háttérrel lehet kivitelezni, mint egy AML bevezetést.

 

Kauker Gergely, a MNB osztályvezetője vette górcső alá a tőkepiaci megfelelés témakörét, amely kapcsán vannak elvárások a felügyelet részéről. A MAR (Market Abuse Regulation) kimondja, hogy kell valamilyen rendszert működtetni, hogy megvalósuljon a piaci visszaélések kapcsán a megelőzés, felderítés, bejelentés. Gergely a résztvevőket mélyebben is beavatta ezekbe az elvárásokba, folyamatokba, illetve a területet érintő fogalmakat is igyekezett tisztázni.

 

Kiemelte továbbá azt is, hogy a vizsgálathoz azonban nem elég önmagában a szűrést biztosító rendszer, megfelelő szintű humán erőforrást is hozzá kell rendelni. A digitális átalakulás tehát korántsem jelenti azt, hogy az embereket leváltják majd a gépek, a kettő kombinációja viszont sokat javíthat a hatékonyságon.

 

Hasonlóan igaz ez a mesterséges intelligencia alkalmazása esetén is. A kerekasztal-beszélgetés felvezetéseként Abrán József, a SAS pre-sales menedzsere és Sváb Tamás, a Consortix sales vezetője beszélt ennek AML-ben való alkalmazási lehetőségeiről.

 

Előadásukban kifejtették, hogy olyan mennyiségű új technológia jön be a fintechek, IT fejlődés, globalizáció révén, amivel nem nagyon lehet lépést tartani, ha továbbra is szabályalapú, klasszikus megoldásokkal próbálunk küzdeni a modern, szofisztikált pénzmosókkal, csalókkal szemben. Szerencsére ezt a trendet látják a felügyeleti szervek is, és már elkezdték megfogalmazni ajánlásaikat.

 

A kerekasztal-beszélgetés során a résztvevő szakértők mélyrehatóbban szemügyre vették az artificial intelligence (AI) témakörét, ahol többek között arról is beszéltek, hogyan illeszthető ez be a jelenlegi működésbe.

 

Kiemelt hangsúlyt kapott az a tény, hogy az AI és a gépi tanulási módszerek alkalmazása nem az emberi erőforrás leváltására hivatott, hanem az AML csapatok munkájának megkönnyítésére azáltal, hogy gyorsítja a folyamatokat, és hatékonyabbá teszi a detektálást.

 

Schin Lotár Csaba, az OTP Bank Big Data csapatának vezetője szerint az újfajta módszerek alkalmazásával jelentősen csökkenthetők a fals találatok, azonban úgy véli, egy közös adatvagyonra lenne szükség ahhoz, hogy minél pontosabb szűrési mechanizmusokat lehessen alkalmazni.

 

Abrán József szerint többek között a szövegelemzéssel lehet hatékonyságot növelni, és a hálózatelemzésben is van potenciál, például a gyanús kapcsolatok figyelembe vételének súlyozásakor.

 

Vidosits András, data scientist hozzátette, hogy a módszerek hatékonyságát az eszközök minősége határozza meg, valamint a humán erőforrás szerepe és képzettsége is ugyanolyan lényeges szempont. Emellett azonban a statisztikus tanulási módszerekbe vetett bizalomra is szükség van.

 

Vajda Bertalan, az MNB főosztályvezetője elmondta, hogy az ilyen típusú rendszerek alkalmazása nagyon hasznos lenne, de jelenleg a magyar piacon még sok olyan pénzintézet van, akik azokat  az automatizált szűrőrendszereket sem alkalmazzák még, amit az új pénzmosás elleni törvény elvár, így elsősorban ezeket kellene orvosolni egy AML rendszerbevezetéssel.

 

Véleménye szerint akkor lenne ideális egy fejlettebb rendszer alkalmazása, ha a már meglévő gyakorlatot egészítené ki, és szerinte is lényeges szempont, hogy a döntési pontnak minden esetben az embernél kell maradnia.

 

A nap során bebizonyosodott, hogy szükség van az automatikus szűrőrendszerek alkalmazására, valamint a mesterséges intelligencia, gépi tanulási módszerek használatára compliance területen, hiszen nem lehet a mai kor kihívásaival enélkül lépést tartani. Ezek alkalmazása megfelelő keretek között meg tud valósulni, azonban az emberi tényező egyik területen sem iktatható ki.

 

Az tehát nem kérdés, hogy „új tavasz” van, egyre több megoldás hagyatkozik gépi tanulási módszerekre, a hullám megérkezett, a kérdés csak az, hogyan fogadjuk majd, és milyen ponton tud becsatlakozni a jelenlegi folyamatokba.