マネーロンダリング防止 (AML)

強固なマネーロンダリング対策 (AML)

マネーロンダリングは何十億ドルもの経済負担

マネーロンダリングと金融詐欺を追跡することは、リアルタイムで行われるデジタル取引や支払いの大々的な普及、複雑な国際法、暗号資産の台頭などによって、今までになく難しい課題となっています。国際連合の薬物犯罪事務所の推計によると、マネーロンダリングは 世界のGDPの2~5%(8千億~2兆ドル)。世界各国の政府期間が法的監視を強化してマネーロンダリングを抑止した結果、米国の金融サービス企業は毎年 250億ドル を超える資金を規制遵守に費やしていると2018年のLexisNexisの調査が推定しています。
違法行為の経済への影響
既存のマネーロンダリング検出システムの弱点

従来のアプローチはマネーロンダリング検出に不十分

既存の、ほぼすべてのマネーロンダリング対策のための分析コンプライアンスシステムは、リレーショナルデータベースの上に構築されています。これは、カスタマー、アカウント、取引などの情報を行と列に格納するものです。リレーショナルデータベースは、データ処理や基本的な分析を行えるほか、データのインデックスの作成や検索には優れたツールです。しかし、情報のデータポイントをつなぎ合わせて、そこに隠されている関係性を特定することには向いていません。データから関係性を抽出することは、資金の流れを分析したり、関連するマネーロンダリングのリスクを評価したりするのに不可欠な機能です。この種類のクエリの実行には数時間から数日もかかることもあり、そうなると、パーティ間やトランザクション間の意味のある分析は事実上不可能です。

マネーロンダリングや金融詐欺を検出するには、個々のアカウントの動作を超えて、多くの場合、サードパーティのソースからの情報を組み合わせながら、アカウントのグループまたはエンティティ間のリレーションシップを長期間にわたって分析する必要があります。 リレーショナルデータベース上に構築された従来のマネーロンダリングソリューションは、この問題に対処できるようには設計されていませんでした。

AMLにTigerGraphのグラフデータベースを活用する理由は?

誤検出を減らすディープリンクアナリティクス

レガシーシステムが発報するマネーロンダリング警告のおよそ95%はマネーロンダリングと無関係です。例えば、ある取引相手に対して新しい警告が発せられたとします。Counterparty2と名付けているこの当事者は、最近、疑わしい取引報告(SAR)に関連付けられたあるお客様の口座と取引がありました。従来のアプローチであれば、この新しい警告はリスクが高いことを示唆します。同一の口座に多くの警告が生成されている、複数のSARが提出されているなどは、従来のメトリクスによればすべてAML上ハイリスクと推定されるからです。

それにもかかわらず、グラフ分析により、これまでのすべてのアラートのうちCounterparty1に関連するアラートのみがSARになり、Counterparty2に関連するアラートはすべてクローズされたことが判明しました。この新しいアラートがCounterparty2に関連していることを考えると、アラート1および2とは反対に、アラート3および4とより類似している可能性が高いため、おそらくクローズする必要があるか、少なくとも低リスクとしてマークするべきです。TigerGraphのディープリンク分析は、従来のトランザクション監視システムがリレーションシップを見逃していた「同様の」アラートを識別してグループ化できます。
マネーロンダリングの誤検出を減らすTigerGraphのディープリンク分析
グラフ分析による誤検出の削減

グラフ分析はマネーロンダリング検出で誤検出を削減

マネーロンダリングの常習犯は、一般に、アイデンティティやアカウントの複雑なネットワークを作って、不正に得た利得を移動しています。このため、山のようにある合法的な取引の中に埋もれている誤検出を探すのが、特に困難で時間がかかる問題となります。例えば、お客様の口座が新規で追加されたとします。この新しい口座は、従来のアプローチによるスコアでは、地理的なリスク、取引額、以前に発せられた警告やSARの数などが重大なマネーロンダリングリスクを示さないので、低リスクアカウントと見なされます。

しかし、従来のアプローチでは、この新規顧客とのまだ宣言されていないリレーションシップを持つ高リスク顧客を特定することができません。この新規顧客は、複数のSARを受けているために高リスクとされている他の4人の既存顧客と電話番号を共有しています。電話番号を介したこのような隠された、宣言されていないリレーションシップを、人力による確認または既存のモデルやシステムによって明らかにすることは非常に困難でした。TigerGraphのディープリンク分析により、隠れたリレーションシップがリアルタイムで明らかになり、新しいアラートがリスクの高いアラートに引き上げられます。

機械学習がマネーロンダリング検出の精度を向上

機械学習は、多くの金融サービスプロバイダーによって既存のマネーロンダリング防止ソリューションと統合されています。しかし、AML検出の精度はかなり低いのです。なぜなら、従来のソリューションは非常に多くの誤検出アラートを生成するので、それらが機械学習のトレーニングデータとなってAIに蓄積されるからです。そして、その結果、マネーロンダリングの予測の精度に影響を与えます。

例に挙げている3つのアラートについて考えてみましょう。アカウント履歴を利用した従来の機能に基づいてアラートがどのように評価されるか、そしてTigerGraphによって計算されたグラフベースのリレーションシップ機能に基づいてアラートがどのように分類されるかを見てみましょう。

機械学習用の従来のAMLソリューションで作成されたトレーニングデータには、金融取引金額、関連するアカウントに発行されたSAR、特定のアカウントが高リスク地域に位置しているかなどの機能が含まれます。これらの機能に基づいて、Counterparty2にアラートが発せられます。Counterparty2がCounterparty1とも取引を行っているある顧客アカウントから資金を受け取っており、Counterparty1には、過去の取引履歴に基づいてSARが発せられていたためです。Counterparty2自体も高リスク地域に位置しています。

TigerGraphによって生成された機能を確認した後、Counterparty2のアラートは低リスクに削減されます。このアカウントの過去のアラートはすべてクローズされ、SARに変換されたものはありません。このアカウントは高リスクの地域にありますが、SARを発せられた高リスクのアカウントと電話番号、住所、その他の情報を共有していることはありません。グラフベースの機能は、Counterparty2のAMLアラートの誤検知を退けました。次に、高リスク地域に位置していない新規顧客のアラートの例を考えてみましょう。この顧客には金融機関との取引履歴がないため、まだアラートやSARも発生していません。

従来のAMLシステムなら、新しい顧客のアラートにフラグを立てないでしょう。しかし、グラフベースの機能はより深く掘り下げを行い、この新アカウントがSARを受けている複数の顧客と電話番号を共有していることを発見します。グラフソリューションは、従来のAMLソリューションなら見逃していたされた新しいAMLアラートを生成し、さらなる監視と調査の必要がある高リスクなアカウントとしてマークします。グラフソリューションは、これらの検出漏れを見つけることができるのです。

従来の機能とTigerGraphの機能のアラート分類の違い