海里捞针的反洗钱，人工智能能做什么？-全讯国际

洗钱这个说法，来源于20世纪20年代美国黑帮旧事，那时美国黑帮私酒贸易达到了鼎盛，为了将卖酒得到的黑钱合法化，芝加哥黑手党购买了一台投币洗衣机，开了一个洗衣店。每天晚上结算当天洗衣收入时，将非法所得的赃款加入其中，再向税务局申报纳税，税后赃款就全部成了黑手党的合法收入。

不得不说，美国黑帮的思路非常通透，通过洗衣店使用正常交易掩盖非法交易的思路，在100年后的今天依旧没有过时，仍然是目前洗钱的主要方法。

但是在100年后的今天，反洗钱工作遇上了麻烦。

痛点：反洗钱有点跟不上时代了

随着互联网金融的快速发展，柜面交易、atm交易逐渐被网上交易、非现金交易取代，网络支付、移动支付所占比例不断提高。

根据《中国互联网络发展状况统计报告》显示，截至2020年12月，我国网络支付用户规模达8.54亿，相比2013年同期增长3倍有余。

根据央行支付体系运行总体情况数据，非银行支付机构网络支付笔数达到8272.97亿笔，银行业金融机构网上支付笔数879.31亿笔，银行业金融机构电子支付笔数2352.25亿笔。

而这样的用户数量、使用率、交易笔数在我国已经形成了常态化，未来只会更多不会更少。这就意味着，洗钱分子可以将自己的非法交易隐藏在每个季度都会发生的百亿笔交易里，甚至是千亿笔交易里。

而且网络交易用时短、速度快，不法分子可以使用多个账户频繁交易，轻易的将非法资金渗透到多个合法领域进行洗白，在这个过程中，往往由多个机构参与业务，客户身份信息和交易信息不会保存在一个机构里，导致完整交易信息与记录难以掌握。

在这种情况下，银行的反洗钱工作压力前所未有的大。不仅仅要在百亿级数据中进行海底捞针，还只能利用手上并不完全的信息。面对这样的压力，银行投入了大量的人力、资源，利用反洗钱监测模型筛选出一部分初步判断有洗钱风险的交易，然后进行人工审核、上报。

但是，反洗钱监测规则系统主要利用专家经验，更多地从账户个体、单笔交易去进行筛查，识别洗钱行为的难度非常高；同时规则系统筛选出初步认为洗钱风险交易客户，数量巨大、解释性差，对于隐藏的洗钱客户或者低频的洗钱客户难以识别。

慧安金科ceo黄铃向移动支付网表示，银行的规则系统设计严格，经常会产生大量的误伤，高达90%以上的案宗都属于正常交易，需要一个有几百甚至上千人的人工调查团队对案宗进行审核，把其中几万宗真正的高危洗钱案宗识别出来。这些人工审核的成本很高，并且随着银行业务的快速发展，可疑案宗数量不断增长，远远超过人工所能支持的程度。

据了解，基于规则的可疑交易筛选会带来较高的误报率，即使是经过优化的可疑交易规则，其误报率也高于80%，也就是说一万笔可疑交易，被误报的交易就超过了8000笔。

大量的误报需要大量的人工进行复核。据了解，大型国有银行从事反洗钱人工复核的人员超过千人，一年在反洗钱可疑交易复核工作投入的成本超过3亿元，五家大型国有银行每年在反洗钱可疑交易人工复核工作上投入的总成本超过20亿元人民币。

提高效率的方法：人工智能

2021年4月，中国人民银行发布公告，为完善反洗钱监管机制，进一步提升我国洗钱和恐怖融资风险防范能力，2021年8月1日将施行《金融机构反洗钱和反恐怖融资监管管理办法》。

6月1日，在酝酿多年之后，中国人民银行发布《中华人民共和国反洗钱法（修订草案公开征求意见稿）》，《意见稿》大幅提升了违法罚款金额。例如金融机构有洗钱后果发生的，依照最高原则，“处二百万元以上一千万元以下或者掩饰、隐瞒金额的5%以上10%以下的罚款，有违法所得的，没收违法所得。”

随着反洗钱、反恐怖融资法规趋严，如何提升自身的反洗钱和反恐怖融资能力及效率成为金融机构愈发关注的问题，随之将越来越多的目光聚焦在了人工智能应用上。

黄铃向移动支付网介绍，人工智能是计算机科学的一个分支，它的目标在于了解智能的实质，并生产出一种新的、能以与人类智能相似的方式做出反应的智能机器，其产业生态格局可以划分为基础层、技术层和应用层。

人工智能的发展经历了多次浪潮，2010年以后，随着云计算、大数据计算和并行处理的算力不断发展，以及大量标签数据的存在，深度学习逐步走向前台，人类能够训练出更大、更复杂的基于神经网络的模型，其图像识别的准确率提高了将近20个百分点，逐步超越人的能力。

具体地，学习的数据指样本、样本特征和样本标签，比如在风控监管合规领域，金融账户属于样本，账户客户的交易额度、交易频率等属于特征。面对这些数据，有多种机器学习算法可以选择，包括有监督学习，无监督学习的聚类、异常检测、维度缩减算法，以及介于两者之间的半监督学习。

其中，有监督学习主要用于在数据标注比较丰富，数据表现明显，数据饱和度较高的可疑交易识别和筛选。无监督学习和半监督学习，主要用于数据标签较少，数据表现不明显，数据饱和度不高的复杂洗钱交易识别。

但在很多实际问题中，只有少量的带有标签的数据，因为对数据进行标记的代价有时很高，比如在银行交易中，认定为的风险账户非常少，同时需要花费业务专家大量的时间，而大量的未标记的数据却很多。

也就是说，创建这些大型样本数据集通常需要大量的人力（以手工对样本增添标记）、风险（对于涉及到犯罪性数据集）或财务费用（用于雇佣标记标注者或构建在特定领域收集数据所需的基础设施）。然而对于许多实际问题和应用程序来说，没有足够的资源来创建足够大的标记数据集，这限制了深度学习技术的广泛采用。

无监督和半监督学习应用过程中主要的技术手段是基于拓扑学的图分析和聚类，行业经验和对算法的深度理解对机器学习效果影响较大。

而慧安金科与某股份制商业银行合作的洗钱账户风险智能检测系统是国内金融业首创将半监督机器学习技术应用于预测银行卡犯罪、洗钱团伙风险。

这项应用基于数亿条开户信息、账户操作日志、事件日志等，参考少量黑样本标签，进行半监督模型的数据特征设计，创建几十万数据纬度特征。将数据特征导入半监督机器学习模型，基于图聚类结果多次优化。

根据历史上人工审核的情况，学习高水平专家人工审核的经验、手段和结果，可以识别出很多不可疑的交易，把它排除，并且帮助人工对可疑案宗进行预排序和分类，根据不同人的能力分配不同的案件去审核，节省30%以上的需要人工审核案件数量，并且优化专家资源配置。

此项目的实施，改变了传统的以人工核查为主的事后风控模式，突破了防范银行卡犯罪领域主要依赖交易反洗钱模型的局限，加强识别洗钱、倒卖银行卡等团伙犯罪。

实现了在银行卡开卡阶段（未发生洗钱交易前），基于客户开户、网银操作等行为，利用图聚类和半监督机器学习技术，提前检测洗钱操控团伙和账户、银行卡倒卖团伙和账户。

7月9日，2021世界人工智能大会在上海世博中心召开，“ai 金融”作为人工智能技术最重要的应用场景，被众多企业作为案例进行展示。展望未来，随着人工智能技术在金融业应用的深度与广度推进，智能金融将成为金融业核心竞争力。

业界认为，人工智能技术的广泛应用，已成为商业银行服务实体经济、防控金融风险、深化金融改革的重要驱动力。未来，人工智能必然将和金融行业更加深入的结合。