Intelligence artificielle et apprentissage automatique pour lutter contre la criminalité financière

La lutte contre le blanchiment d’argent (LCB) représente un énorme défi pour les établissements financiers du monde entier et plus les méthodologies sont sophistiquées, plus les mesures de lutte contre le blanchiment mises en place pour les stopper doivent l’être aussi. La lutte contemporaine contre le blanchiment d’argent imposant aux établissements financiers de traiter de gros volumes de données complexes concernant leurs clients, nombre d’entre eux se tournent vers la technologie et plus particulièrement les systèmes à base d’intelligence artificielle (IA) et d’apprentissage automatique (ML) pour les aider à détecter les activités de blanchiment et à satisfaire à leurs obligations de conformité qui ne cessent d’évoluer.

L’intelligence artificielle est un outil prometteur pour lutter contre le blanchiment d’argent car elle permet non seulement d’exécuter des tâches LCB plus vite que ne le ferait un employé chargé de la conformité, mais aussi de s’adapter aux nouvelles menaces et aux nouvelles méthodes de blanchiment d’argent grâce à l’apprentissage automatique, ce qui permet aux établissements financiers de se repositionner rapidement dans différents environnements réglementaires et de garder une longueur d’avance sur les criminels.

Qu’est-ce que l’intelligence artificielle et l’apprentissage automatique au service de la lutte LCB ?

Déployée dans le cadre du programme de lutte LCB d’un établissement financier, l’IA est constituée d’une série d’algorithmes qui vérifient les mesures numériques mises en place pour détecter le blanchiment d’argent et autres activités criminelles. Ces algorithmes analysent d’énormes volumes de données sur les clients, y compris les données relatives à l’obligation de vigilance à l’égard de la clientèle (CDD), au filtrage des sanctions et à la supervision des transactions, afin d’effectuer diverses tâches automatisées pour neutraliser les activités suspectes.

Le déploiement de l’apprentissage automatique au sein d’une infrastructure d’IA permet, en théorie, de rendre les programmes de lutte LCB encore plus performants. En exploitant des données de CDD et de supervision des transactions analysées au préalable, les outils d’apprentissage automatique peuvent évaluer le comportement des nouveaux clients et déterminer plus précisément le niveau de risque LCB induit par ce même comportement.

Voici quelques avantages concrets des outils de lutte LCB s’appuyant sur le ML et l’IA dans le cadre d’un programme de lutte LCB :

Changements de comportement

Une fois que les données relatives aux transactions réalisées par un client sont entrées dans un programme LCB, les modèles d’apprentissage automatique peuvent analyser ce comportement pour faire des prévisions et évaluer les comportements futurs de ce même client. Plus précisément, grâce à l’apprentissage automatique, un système LCB pourra devenir sensible aux changements de comportement, aussi subtils soient-ils, que les contrôles LCB classiques pourraient ne pas détecter. Ces écarts par rapport à la norme forment un nouvel ensemble de données pouvant être à leur tour analysées par un algorithme d’IA pour déterminer si une déclaration d’activités suspectes (DAS) se justifie.

Renseignements sur les clients

Les systèmes d’IA automatisés accélèrent les processus CDD et KYC (connaissances de vos clients) et leur donnent plus de profondeur et d’envergure. La qualité et le volume des données CDD enrichies par l’IA fourniront un plus large éventail de données LCB pertinentes que les employés en charge de la conformité pourront exploiter pour réaliser des évaluations des risques, des déclarations d’activités suspectes et d’éventuelles enquêtes. Plus précisément, grâce à l’IA appliquée aux mesures CDD et KYC, les établissements financiers pourront :

• Collecter efficacement des données d’identification à partir d’un plus grand nombre de sources externes, notamment des listes de sanctions et de supervision, afin d’établir un profil de risque plus précis pour un client.
• Identifier les bénéficiaires effectifs des entités clientes de la même façon en exploitant les données externes plus rapidement et plus efficacement.
• Agréger et rapprocher les données clients au sein des systèmes internes pour éliminer les doublons et les erreurs et renforcer la cohérence des mesures LCB entre les clients.
• Enrichir automatiquement les déclarations d’activités suspectes avec des données pertinentes issues des profils de risques clients ou de sources externes.

Données non structurées

Outre la création de profils de risques clients, la conformité LCB nécessite d’analyser les données non structurées dans le cadre des processus de supervision des transactions, du filtrage des PPE et des sanctions et de la supervision de la couverture médiatique négative. Afin d’évaluer correctement le risque lié à ces clients, les établissements financiers doivent tenter d’utiliser ces données pour comprendre leur vie sociale, professionnelle et politique en examinant tout un éventail de sources externes, notamment les médias et les archives publiques, les réseaux sociaux et d’autres ensembles de données pertinents.

Grâce aux systèmes d’IA, ces établissements peuvent gérer et analyser ces données non structurées pour améliorer la conformité à la lutte LCB. Dans la pratique, cela implique d’effectuer des recherches sur les noms des clients en analysant de gros volumes de données externes grâce à l’IA et de trouver des correspondances, des caractéristiques ainsi que des liens que d’autres types d’analyse conventionnelle ne seraient pas en mesure de détecter. Une fois les données collectées et analysées, l’IA peut aider les établissements financiers à hiérarchiser et à catégoriser les informations pour faciliter la gestion des risques.

Déclaration d’activités suspectes

L’intelligence artificielle peut faciliter la déclaration d’activités suspectes (DAS) en générant automatiquement des rapports et en les complétant automatiquement avec des informations pertinentes. Avant d’être soumises aux autorités, les DAS font souvent l’objet d’un processus de signalement interne auquel contribuent de nombreux employés et cadres supérieurs chargés de lutter contre le blanchiment. Ce processus interne peut même nécessiter de traiter des données provenant de différentes parties du monde et dans différentes langues.

La technologie IA peut faciliter le processus DAS grâce à des algorithmes capables de préremplir des rapports automatisés avec des données pertinentes et de présenter ces données dans un langage et une terminologie accessible et normalisée pour minimiser les tensions bureaucratiques et garantir une certaine cohérence pour chaque contributeur. En normalisant le langage et la terminologie et en mettant ainsi davantage l’accent sur la réglementation, l’IA peut non seulement accélérer et rendre plus efficace le reporting LCB d’un établissement, mais aussi renforcer son impact dans le cadre d’enquêtes ultérieures menées par les autorités.

Réduire le bruit

Le principal avantage de l’automatisation technologique au sein d’un système LCB est d’accroître la vitesse et l’efficacité des procédures de mise en conformité qui restent sinon complexes et longues. Néanmoins, l’un des principaux obstacles à une conformité efficace, même à une époque où la technologie permet aux établissements financiers de lutter plus vite contre le blanchiment d’argent, est le niveau de bruit, ou les faux positifs, qui résulte de données incomplètes ou inappropriées ainsi que la sensibilité excessive des mesures LCB.

Dans la pratique, à cause des faux positifs, seule une infime partie des alertes LCB évolue en déclarations DAS complètes, ce qui entraîne un gros gaspillage de temps, d’argent et de ressources. Les systèmes d’IA et de ML promettent, eux, de transformer en profondeur le niveau de bruit généré lors du processus LCB. En effet, l’IA peut aider les établissements à produire des renseignements sur les clients et des détails sur les transactions réalisées qui seront bien plus riches grâce à la suppression des alertes incorrectes et non pertinentes qui rendent le processus de mise en conformité si coûteux pour les établissements et si pénible pour les clients. Les applications concrètes de l’IA et du ML en la matière garantissent :

• Une analyse sémantique des alertes pour identifier celles créées par des données redondantes.
• Une analyse statistique des clients et des transactions à haut risque pour distinguer les vrais positifs des faux positifs.
• Un filtrage intuitif au cours des sanctions ainsi que le filtrage des PPE et de la couverture médiatique négative pour éliminer les erreurs et les faux positifs générés par les conventions de nommage régionales.
• Une priorisation des clients à haut risque pendant le processus de supervision des transactions.

Cependant, il faut garder à l’esprit que renforcer la relation entre l’IA et la conformité en matière de lutte contre la criminalité financière ne dispensera pas les établissements financiers de déployer des équipes humaines pour lutter contre le blanchiment d’argent ou de développer des programmes de lutte LCB basés sur les risques et spécifiques à leur environnement. En réduisant le bruit, l’IA et les outils d’apprentissage automatique permettent aux employés chargés de la lutte LCB de mieux hiérarchiser et traiter les alertes LCB les plus urgentes tout en profitant de l’expérience et de l’expertise des équipes humaines pour lutter encore plus efficacement contre la criminalité financière.