通过实时深度链接分析系统打击洗钱犯罪

通过实时深度链接分析系统打击洗钱犯罪

如今,犯罪团体使用极其复杂并不断变换的技巧来逃过传统反洗钱系统的监管。任何涉及金融交易的组织,包括如数字移动支付之类的非银行货币交易,人寿保险或是零售商,都属于反洗钱(AML)的法律监管范围。面临的挑战持续增加,展现出对于减少开销并且提升速度的需求,以此减少监管费用。

许多企业都拥有可以发现非法活动的数据,但他们却无法将数据及数据间的关系结合在一起。传统的监管系统在调整、验证和维持方面是繁琐且昂贵的。这样的解决方案使用手动过程,并且通常不能分析以不同形式储存在多个位置、多个草案中海量的用户、机构和交易数据。为了解决这个问题,有很多新想法出现,包括半监管学习方法、基于深度学习的方法和基于网络/图的解决方案。这些方法都必须能够实时工作并且能处理大量的数据,不仅仅是现在有的数据,而是要处理每天每小时新生成的数据。一个全面的数据策略应该是打击金融犯罪的最好解决方案,尤其是利用机器学习和人工智能帮助连接并分析数据关系。

TigerGraph通过将数据关联起来,结合基于规则的机器学习让这个过程自动化并且减少误报,实现反洗钱的目标,而这一切都是实时进行的。通过图引擎,企业可以在反洗钱过程中结合包括自动化的数据流分析、社会网络分析和机器学习等各种精密复杂的数据科学技术,从而以更好的数据和更快的速度,提高反洗钱的检测成功率。企业组织可以远离繁琐的交易过程,朝着更具战略性、更高效的方向发展。

某全球最大的电子支付企业采用TigerGraph服务他们超过一亿的日活跃用户,将其分析调研工作现代化。此前,该企业的反洗钱工作是一项手动过程。调查人员参与了从检查数据到识别可疑货币流动行为的各个方面。运营费用高昂,而且相当容易出错。

通过使用TigerGraph,该公司能够自动化地开发智能反洗钱查询,通过实时反馈改进机器学习算法,最终通过更高效的反洗钱流程和更低的误报率获得了更好的经济回报和更高的检测成功率。

类似的,某世界排名前五的支付渠道提供商也试图提升反洗钱的能力,他们深陷在联邦反洗钱法规所带来的高监管成本和漏检罚金中。该组织先前依赖于数百名反洗钱调查人员所进行的人工检测。整个过程缓慢、昂贵、低效,且误报率超过90%。

使用TigerGraph,该公司成功提升了图引擎将反洗钱过程现代化。此前,他们只能通过人工讲琐碎的过程连接;如今,他们则能够在个体、账户、公司和地点之间发现潜在的深度关联,通过强大的图分析系统完成反洗钱的工作。

通过结合数据的多个维度并且整合外部数据(例如关于客户的外部数据),企业可以自动且实时监控潜在的洗钱犯罪。调查人员则能够腾出双手从事更加战略性的工作,处理更有价值的数据。最终企业则能够对其海量的数据拥有一个整体性的理解和判断并降低误报的比例。

由于我们正处于一个数据爆炸的时代,企业的反洗钱工作越来越需要对内部海量数据进行实时分析的能力。TigerGraph的实时深度链接分析系统可以助力企业达成该目标。

您可以下载TigerGraph 反洗钱方案简述了解更多,或者在2月12和13日纽约市举行的SIFMA反洗钱与金融犯罪大会上拜访我们,这是一个为反洗钱和金融犯罪专业人士设立的领先论坛。