Антифрод и противодействие отмыванию средств (AML) на машинном обучении

Правила транзакционного мониторинга генерируют тысячи алертов в день, из которых подозрительными оказываются доли процента. Комплаенс-офицеры тонут в разборе, а по-настоящему сложные схемы — дробление, транзит через цепочки контрагентов, дропы — проходят мимо, потому что правила не видят связей между счетами.

Мошенничество против клиентов (социальная инженерия, угон учётных записей) развивается быстрее, чем обновляются правила, и каждая новая схема означает потери до выпуска обновления.

Внешние антифрод-платформы требуют передавать транзакционные данные и ограничены типовыми сценариями; регулятор ужесточает требования к качеству мониторинга и срокам реакции.

Решение дополняет правила ML-моделями и графовым анализом, работающими на потоке операций в контуре банка.

• Скоринг каждой операции в реальном времени: бустинг на признаках клиента, устройства, получателя, поведения; обнаружение аномалий для новых схем.
• Граф связей между счетами, картами, устройствами, адресами и контрагентами; графовые нейросети находят транзитные цепочки и сети дропов.
• Приоритизация алертов для AML: ранжирование по вероятности подтверждения, автоматическое обогащение досье.
• Объяснение каждого решения для операциониста и для отчётности регулятору.

Модели обучаются на подтверждённых случаях и результатах расследований банка, поэтому со временем учатся на его собственной практике. Правила остаются в контуре как страховочный слой, а ML-скоринг работает поверх них.

Какие данные нужны

• Транзакции и события в каналах за 1–3 года
• Подтверждённые случаи мошенничества и результаты расследований
• Данные о клиентах, устройствах, контрагентах