Grasshopper Bank encuentra un ahorro de tiempo en cumplimiento: IA generativa

Los líderes de cumplimiento bancario a menudo se quejan de que nunca hay suficiente tiempo o personas para comprender a fondo las numerosas señales de alerta del lavado de dinero, el fraude y otros delitos financieros.

Grasshopper Bank, una institución financiera de Nueva York con 733 millones de dólares en activos, le ha proporcionado a su equipo de cumplimiento un asistente basado en inteligencia artificial para ayudar con el trabajo. El banco utiliza la inteligencia artificial generativa de Greenlite para realizar la debida diligencia y el seguimiento mejorados del cliente exigidos por la Ley de Secreto Bancario. Esta regulación requiere que los bancos cuenten con mecanismos de control y notifiquen a las autoridades para prevenir y detectar el lavado de dinero, el financiamiento del terrorismo y otros delitos.

Este caso de uso llega en un momento en el que los bancos son cada vez más recibir órdenes de consentimiento bajo las deficiencias de cumplimiento de BSA y la presión de sus socios fintech para manejar el cumplimiento de BSA y la mayoría de las otras tareas de manera más eficiente. Por ejemplo, en la encuesta de octubre de Hummingbird a funcionarios de cumplimiento bancario, el 93% dijo que la eficiencia era lo más importante en su negocio, y el 87% dijo que estaban bajo presión constante para mejorar la eficiencia.

«Es bueno encontrar y crear eficiencias en lugar de que un humano salga y pase horas obteniendo lo que una computadora puede generar en cinco minutos», dijo Becki Laporte, asesora estratégica de gestión de fondos y fraude de Datos Insights. una entrevista. «Es un gran beneficio».

Los bancos han utilizado la IA tradicional, como el aprendizaje automático y las redes neuronales, en la lucha contra el lavado de dinero y el cumplimiento de la BSA durante varios años. El uso de IA generativa (modelos predictivos que crean contenido) para lograr dicho cumplimiento es un territorio nuevo.

«En Grasshopper, pisamos con cuidado la inteligencia artificial y la exploramos», dijo en una entrevista Christopher Mastrangelo, director de cumplimiento del banco. Anteriormente fue Contralor de Moneda y Contralor del Banco de la Reserva Federal. «Asociarnos con Greenlite encaja con lo que queremos hacer con la IA, que es aumentar la eficiencia de nuestro proceso».

En Grasshopper, como en la mayoría de los bancos, los clientes reciben una clasificación de riesgo en función de su actividad, y el banco realiza periódicamente un análisis de los clientes con la clasificación de riesgo más alta para cumplir con los requisitos de la BSA. Por ejemplo, las empresas internacionales con transacciones en el extranjero suelen tener una calificación de riesgo más alta. La debida diligencia mejorada incluye la revisión de la naturaleza del negocio, sus operaciones, la ubicación del sitio web y los riesgos geográficos.

El modelo de IA generativa «no elimina al analista de la ecuación», dijo Mastrangelo. Pero recopila mucha información disponible públicamente y permite a los analistas tomar decisiones más informadas, afirmó.

Según Will Lawrence, director ejecutivo de Greenlite, un analista humano que trabaja en un cliente de pequeña empresa, como una panadería, dedica más tiempo a la debida diligencia.

«El primer lugar al que acuden es Internet para encontrar información de código abierto sobre esta panadería», dijo Lawrence en una entrevista. «También van a revisar la documentación interna que tiene el banco sobre la panadería para asegurarse de que sus asuntos siguen en orden y son legales».

Un analista podría observar los patrones de transacciones de una panadería para ver si tienen sentido para un negocio de ese tamaño y tipo.

El modelo de IA generativa de Greenlite recopilaría datos y resúmenes adicionales sobre esta panadería de muchas fuentes, incluidos registros comerciales, artículos de noticias, sitios web de empresas y canales de redes sociales.

El uso de IA para quitarle a los investigadores el trabajo rutinario de recopilación de datos les permite concentrarse en las fuentes de fraude más difíciles, complejas e indetectables, dijo Lawrence.

«Estamos brindando influencia a esa organización al quitarnos de encima algunas tareas muy manuales», dijo.

Grasshopper también utiliza la tecnología para encontrar nuevos clientes. Mientras un banco realiza su debida diligencia recopilando documentos y realizando revisiones de fraude de nuevos clientes potenciales, el modelo de gran lenguaje ayuda a recopilar datos de fuentes de datos públicas adicionales. Greenlite produce un informe que responde ciertas preguntas predeterminadas sobre la empresa, como áreas geográficas, fuentes de financiación, operaciones y propiedad real de la empresa.

Esto se suma a las comprobaciones de familiaridad del cliente que realiza el banco cuando acepta nuevos clientes. Los controles de fraude también se realizan por separado utilizando el sistema Alloy.

Esta última generación de IA, impulsada por grandes modelos de lenguaje, es mucho mejor para analizar datos no estructurados que las versiones anteriores de IA, afirmó Lawrence. Puede revisar el documento e identificar cualquier cosa que no coincida con lo que dijo el cliente al abordar. Puede analizar transacciones para ver si coinciden con lo que dijo el cliente sobre su actividad esperada.

La tecnología Greenlite utiliza múltiples modelos que son buenos para diferentes tareas, dijo Lawrence. Algunos modelos de lenguaje grandes, como Claude de Anthropic, son fuertes en el procesamiento de documentos y la lectura de grandes cantidades de texto. Otros son mejores en matemáticas y otros, como el GPT-4 de OpenAI, son mejores en razonamiento.

Como siempre, existen riesgos en el uso conforme de la IA generativa. Además del riesgo de que un modelo de lenguaje grandealucinar» o inventar cosas por completo, existe el riesgo de que obtengan información de sitios web ficticios.

«Un humano podría captarlo, pero una computadora no», dijo Laporte.

Para evitar alucinaciones e invenciones, Greenlite mantiene un registro de auditoría de todas las fuentes utilizadas en la investigación. Lawrence dijo que se citan todas las fuentes de datos en el informe de Greenlite.

Y el modelo no toma decisiones, dijo, sólo proporciona información a los analistas humanos, quienes luego usan su lógica y sus habilidades analíticas para sacar conclusiones y tomar una decisión.

Laporte dijo que los bancos que utilizan modelos de IA generativa deben asegurarse de probar el sistema y no confiar ciegamente en él. Deben documentar estas pruebas y poder explicar a su regulador cómo funciona.

Para Grasshopper, el software de Greenlite no sólo ayuda con la eficiencia, sino que también proporciona datos más confiables y completos que los que los analistas humanos normalmente pueden proporcionar, dijo Mastrangelo.

La implementación tomó algunos meses e implicó asegurarse de que el software funcionara bien con los sistemas existentes y estuviera conectado a las fuentes de datos correctas.

El software ha reducido el tiempo que lleva completar una revisión avanzada de diligencia debida en casi un 70%, afirmó Mastrangelo.

Laporte ve que otros bancos hablan sobre el uso de modelos de lenguaje grandes para este mismo caso de uso, pero aún no ha visto que otros bancos realmente los utilicen en producción.

«Tengo entendido que los bancos quieren estar preparados para esto, pero no necesariamente quieren ser los primeros», dijo. «Escucho los rumores y la discusión, y creo que hay apetito por ello».