Περίληψη άρθρου:

Το έτος 2023 αναμένεται να αποτελέσει σημείο καμπής για την τεχνητή νοημοσύνη (AI), καθώς θα αποτελέσει μια απτή ευκαιρία. Οι πρόσφατες εξελίξεις στη βαθιά μάθηση και την υπολογιστική λογική έχουν προκαλέσει συζητήσεις σχετικά με τις εφαρμογές της ΤΝ σε διάφορους κλάδους, συμπεριλαμβανομένων των χρηματοπιστωτικών υπηρεσιών. Οι επαγγελματίες του κλάδου που ασχολούνται με τη συμμόρφωση θα πρέπει να επαναπροσδιορίσουν τα επιχειρησιακά τους μοντέλα και τις προσεγγίσεις τους για τη διαχείριση των κινδύνων. Εργαλεία ΤΝ όπως το ChatGPT, που αναπτύχθηκε από την OpenAI και τη Microsoft, θα εισέλθουν σύντομα στον εργασιακό χώρο, φέρνοντας επανάσταση στις διαδικασίες συμμόρφωσης. Η τεχνητή νοημοσύνη θα υποστηρίξει τη διακυβέρνηση με τη σάρωση κανονιστικών ενημερώσεων και τη δημιουργία εγγράφων πολιτικής. Θα βοηθήσει επίσης στην επίλυση ψευδώς θετικών αποτελεσμάτων στην παρακολούθηση συναλλαγών και στη βελτίωση των διαδικασιών σύνταξης SAR. Η συνεχής παρακολούθηση θα γίνει πιο ευέλικτη με τη χρήση λύσεων που βασίζονται στην ΤΝ. Ωστόσο, οι ρυθμιστικές αρχές θα πρέπει να αντιμετωπίσουν ζητήματα όπως η μεροληψία της ΤΝ, η επεξηγηματικότητα της λήψης αποφάσεων με ΤΝ, η διαχείριση δεδομένων και οι κίνδυνοι κυβερνοασφάλειας που συνδέονται με την αυξημένη εξάρτηση από την ΤΝ. 

Κύρια σημεία του άρθρου:

• Η τεχνολογία τεχνητής νοημοσύνης εξελίσσεται ραγδαία και είναι έτοιμη να φέρει επανάσταση στον κλάδο των χρηματοπιστωτικών υπηρεσιών, ιδίως στο τμήμα συμμόρφωσης.
• Τα εργαλεία ΤΝ μπορούν να χρησιμοποιηθούν για τη βελτίωση των μοντέλων διακυβέρνησης, τη μείωση των ψευδώς θετικών ειδοποιήσεων, την επιτάχυνση της σύνταξης SAR και την ενίσχυση της συνεχιζόμενης παρακολούθησης.
• Οι ρυθμιστικές αρχές θα πρέπει να αντιμετωπίσουν ζητήματα όπως η μεροληψία της ΤΝ, η επεξηγηματικότητα, η διαχείριση δεδομένων και οι κίνδυνοι στον κυβερνοχώρο.
• Οι επαγγελματίες της συμμόρφωσης θα πρέπει να αμφισβητήσουν τα υφιστάμενα μοντέλα, να δώσουν προτεραιότητα στα δεδομένα πελατών, να εστιάσουν στην αύξηση των διαδικασιών και να επιδιώξουν την ανάπτυξη σχετικών δεξιοτήτων.

Αναλυτικά το άρθρο:

Το 2023 είναι πιθανό να μείνει στην ιστορία ως η στιγμή που η τεχνητή νοημοσύνη (AI) έκανε το άλμα από τη θεωρητική δυνατότητα στην απτή ευκαιρία. Ακριβώς όπως η εμφάνιση των κρυπτονομισμάτων στις αρχές της δεκαετίας του 2010 πυροδότησε μια έκρηξη ενδιαφέροντος για τις πιθανές περιπτώσεις χρήσης των κατανεμημένων βιβλίων και των αποκεντρωμένων εικονικών περιουσιακών στοιχείων, οι πρόσφατες εξελίξεις στη βαθιά μάθηση και την υπολογιστική συλλογιστική έχουν προκαλέσει ευρεία συζήτηση για τις πιθανές εφαρμογές της ΤΝ σε όλο τον κόσμο της εργασίας. Καθώς οι νέες τεχνολογίες τεχνητής νοημοσύνης αρχίζουν να εισέρχονται στον κλάδο των χρηματοπιστωτικών υπηρεσιών, οι επαγγελματίες της συμμόρφωσης θα αναγκαστούν να επανεξετάσουν τα υφιστάμενα επιχειρησιακά μοντέλα και τις παραδοσιακές προσεγγίσεις για τη διαχείριση των κινδύνων. Θα πρέπει να το πράξουν με συγκρατημένη αισιοδοξία.

Γύρω από τη γωνία

Τον Νοέμβριο του 2022, η τεχνολογική εταιρεία OpenAI παρουσίασε το ChatGPT, ένα chatbot που χρησιμοποιεί ένα μεγάλο γλωσσικό μοντέλο τεχνητής νοημοσύνης εκπαιδευμένο σε δισεκατομμύρια παραμέτρους, το οποίο επέδειξε εντυπωσιακή ικανότητα να απαντά σε αφηρημένες ερωτήσεις, να περνάει τεστ καταλληλότητας, να δημιουργεί κείμενο μεταφοράς στυλ και να παράγει ικανές απαντήσεις στις περισσότερες προτροπές του χρήστη. Από το 2019, η OpenAI συνεργάζεται με τη Microsoft για την κατασκευή υπερυπολογιστικών πλατφορμών που επιτρέπουν τις πρωτοβουλίες βαθιάς μάθησης που παρήγαγαν το ChatGPT- τον Ιανουάριο του 2023, η Microsoft διπλασίασε τη συνεργασία της ανακοινώνοντας μια επένδυση πολλών δισεκατομμυρίων δολαρίων στην OpenAI. Αυτή η απόφαση της Microsoft, ενός από τους κορυφαίους παρόχους λογισμικού επιχειρηματικής παραγωγικότητας παγκοσμίως, υποδηλώνει ότι τα παραγωγικά μοντέλα AI όπως το ChatGPT θα εισέλθουν σύντομα στον εργασιακό χώρο. 

Ο κλάδος των χρηματοπιστωτικών υπηρεσιών - ένας τομέας που βασίζεται στην ταχύτητα, το περιθώριο κέρδους και την ακρίβεια, αλλά εξακολουθεί να λειτουργεί συχνά με τη χρήση παρωχημένης τεχνολογίας και διαδικασιών έντασης εργασίας - παρουσιάζει μερικές από τις πιο ώριμες ευκαιρίες για αναστάτωση, ειδικά στο τμήμα συμμόρφωσης. 

Ιστορικά, οι επαγγελματίες της συμμόρφωσης αντιμετώπιζαν την τεχνολογική καινοτομία με σκεπτικισμό. Οι οικονομικοί, νομικοί κίνδυνοι και οι κίνδυνοι φήμης από τιμωρητικές κανονιστικές ενέργειες παρακινούν τα τμήματα συμμόρφωσης να υιοθετούν μια "προσέγγιση που βασίζεται στον φόβο" στη διαχείριση κινδύνων, δίνοντας προτεραιότητα στην αποφυγή του κανονιστικού ελέγχου έναντι των εκτιμήσεων περί λειτουργικής αποτελεσματικότητας ή βελτιστοποίησης. Όταν οι οργανισμοί έχουν αφιερώσει πόρους για τη βελτίωση των μοντέλων συμμόρφωσής τους, η εστίασή τους εξακολουθεί να είναι στα βασικά: βελτίωση της ποιότητας των δεδομένων, μείωση των καθυστερήσεων στις υποθέσεις, διαχείριση του κύκλου εργασιών των εργαζομένων κ.λπ. Η ανάπτυξη νέων τεχνολογιών για τον εξορθολογισμό των λειτουργιών μένει στο περιθώριο, με αποτέλεσμα διαδικασίες με υψηλή επαφή, ένταση πόρων και εργασίας.

Τα τελευταία χρόνια, ωστόσο, οι ηγέτες του κλάδου έχουν αναγνωρίσει τις αδυναμίες των χειροκίνητων διαδικασιών και έχουν αρχίσει να πειραματίζονται με προηγμένες τεχνολογίες, όπως η μηχανική μάθηση και η ευφυής αυτοματοποίηση, σε μια προσπάθεια να βελτιώσουν τα αποτελέσματα των κινδύνων, ελέγχοντας παράλληλα το κόστος. Τα συνήθη παραδείγματα περιλαμβάνουν την αυτοματοποιημένη διαλογή και ανάλυση αρνητικών ειδήσεων, την αυτοματοποιημένη ανάκτηση δεδομένων μέσω ρομποτικής αυτοματοποίησης διαδικασιών (RPA) και διεπαφών προγραμματισμού εφαρμογών (API), την αυτοματοποιημένη δημιουργία αφηγήσεων βάσει προτύπων και την αξιοποίηση προγνωστικών μοντέλων για τη βελτίωση ή την επιτάχυνση της λήψης αποφάσεων (π.χ. βαθμολόγηση κινδύνου για την παρακολούθηση συναλλαγών και ειδοποιήσεις διαλογής λιστών). Καθώς ακόμη ισχυρότερα εργαλεία ΤΝ εισέρχονται στον κλάδο τα επόμενα χρόνια, θα ενισχύσουν τα βασικά στοιχεία του μοντέλου του προγράμματος συμμόρφωσης, συμπεριλαμβανομένων των ακόλουθων: 

Διακυβέρνηση

Τα μοντέλα φυσικής γλώσσας (όπως το GPT-3 που διέπει το ChatGPT) θα είναι σε θέση να σαρώνουν χιλιάδες εγκεκριμένες πηγές για κανονιστικές ενημερώσεις και να παράγουν ενοποιημένες περιλήψεις των πιο σημαντικών πληροφοριών για εξέταση και ερμηνεία από την ανώτερη διοίκηση. Όταν οι κανονιστικές αλλαγές απαιτούν επικαιροποίηση των εταιρικών προτύπων και διαδικασιών, οι λύσεις τεχνητής νοημοσύνης θα δημιουργούν πρώτα σχέδια εγγράφων πολιτικής με βάση καθορισμένες εισροές και παραμέτρους, τα οποία στη συνέχεια θα μπορούν να βελτιώνονται από το ανθρώπινο μάτι. Πράγματι, μια σύντομη προτροπή που δόθηκε στην τρέχουσα επανάληψη του ChatGPT για πειραματικούς σκοπούς ("Γράψε μου μια πολιτική συμμόρφωσης με τον νόμο περί νομιμοποίησης εσόδων από παράνομες δραστηριότητες για ένα χρηματοπιστωτικό ίδρυμα με έδρα τις ΗΠΑ") παρήγαγε ένα εξαιρετικά ακριβές 10σέλιδο έγγραφο διακυβέρνησης που κάλυπτε τις βασικές αρχές ενός προγράμματος συμμόρφωσης. Αν και δεν είναι πλήρες, αυτό το δείγμα εγγράφου θα μπορούσε εύκολα να χρησιμεύσει ως αφετηρία για μια ευρύτερη διαδικαστική αναβάθμιση. Η στήριξη στην τεχνολογία για την υποστήριξη του μοντέλου διακυβέρνησης θα επιτρέψει στις επιχειρήσεις να μειώσουν σημαντικά το κόστος βασικών πρωτοβουλιών, όπως η χαρτογράφηση των κανονιστικών ρυθμίσεων, και να επιταχύνουν τη διαδικασία διαχείρισης αλλαγών και ενημέρωσης των διαδικασιών. 

Ψευδώς θετική διάθεση

Τα χρηματοπιστωτικά ιδρύματα βασίζονται επί του παρόντος σε απλουστευτικά μοντέλα για διαδικασίες όπως η παρακολούθηση συναλλαγών, ο έλεγχος δυσμενών μέσων ενημέρωσης και ο έλεγχος κυρώσεων για τον εντοπισμό παράνομης δραστηριότητας πελατών. Χωρίς ιδιαίτερα ρυθμισμένες παραμέτρους, τα μοντέλα αυτά παράγουν μεγάλο όγκο ψευδώς θετικών αποτελεσμάτων, τα οποία πρέπει να διερευνηθούν και να προεξοφληθούν. Τα εργαλεία τεχνητής νοημοσύνης θα βοηθήσουν στην επίλυση των ψευδώς θετικών ζητημάτων με δύο τρόπους: Πρώτον, η βελτιωμένη λογική συντονισμού του μοντέλου θα εντοπίσει καλύτερα τις πιθανές πραγματικές αντιστοιχίες. Η διαλογή για τον "David Johnson" μπορεί να παράγει 1.000 χαμηλής ποιότητας επιτυχίες- η διαλογή για τον "David Johnson" σε συνδυασμό με άλλες εισροές (π.χ. ηλικία, διεύθυνση, στοιχεία επικοινωνίας, ιθαγένεια, ιστορικό εργασίας, καταχωρίσεις οχημάτων, ιστορικό σχέσεων, γνωστοί συνεργάτες) που προέρχονται από ανοικτές και κλειστές πηγές μπορεί να παράγει, ας πούμε, 11 υψηλής ποιότητας αποτελέσματα που βελτιστοποιούν καλύτερα τον χρόνο του ελεγκτή. Δεύτερον, τα γλωσσικά μοντέλα θα συλλαμβάνουν και θα επισημαίνουν τις πιο σχετικές πληροφορίες για μια έρευνα, μειώνοντας το συνολικό χρόνο χειρισμού και βελτιώνοντας τον εντοπισμό ουσιωδών κινδύνων.

Συγγραφή SAR

Όταν τα χρηματοπιστωτικά ιδρύματα εντοπίζουν δυνητικά ύποπτη δραστηριότητα, υποχρεούνται να τη διερευνήσουν και, εάν κριθεί σημαντική, να υποβάλουν αναφορά ύποπτης δραστηριότητας (SAR) στις ρυθμιστικές αρχές. Οι αναφορές SAR κυμαίνονται γενικά από μία έως 10 σελίδες και συντάσσονται από ερευνητές που συνδυάζουν ανάλυση συναλλαγών και εμπειρογνωμοσύνη σε θέματα κινδύνου για να καταδείξουν στις

κυβερνητικές αρχές πιθανώς εγκληματική δραστηριότητα. Αυτές οι εκθέσεις είναι από τα σημαντικότερα στοιχεία ενός ισχυρού προγράμματος συμμόρφωσης με τον νόμο περί τραπεζικού απορρήτου/κατά του ξεπλύματος χρήματος (BSA/AML) και η διαδικασία σύνταξης θα διατηρήσει ένα στοιχείο ανθρώπινης επαφής για το προβλέψιμο μέλλον, δεδομένης της ποικιλομορφίας στη διάθεση ανάληψης κινδύνου και στη μεθοδολογία λήψης αποφάσεων μεταξύ των ιδρυμάτων. Τούτου λεχθέντος, τα μοντέλα τεχνητής νοημοσύνης μπορούν σήμερα να παράγουν τυποποιημένες αναφορές όλων των ειδών, εάν εκπαιδευτούν σε επαρκή δείγματα δεδομένων, και σύντομα αυτές οι λύσεις θα χρησιμοποιηθούν από τις τράπεζες για την ουσιαστική επιτάχυνση της διαδικασίας σύνταξης SAR. Αντί να βασίζονται σε μια ομάδα ερευνητών για τη σύνταξη εκθέσεων ή την προσαρμογή προτύπων SAR με ανάλυση συναλλαγών, η ΤΝ θα χρησιμοποιείται για τον εντοπισμό της ύποπτης δραστηριότητας του πελάτη, τον προσδιορισμό της αντίστοιχης τυπολογίας κινδύνου, την εκτέλεση αναζητήσεων ανοικτού και κλειστού κώδικα για τη διαμόρφωση ενός συνεκτικού προφίλ πελάτη και τη σύνταξη μιας έκθεσης που θα περιγράφει το ιστορικό του πελάτη, την ύποπτη δραστηριότητα και το σκεπτικό για την υποβολή SAR. Σε αντίθεση με τη χειροκίνητη σύνταξη μιας χούφτας αναφορών την ημέρα, οι ερευνητές θα αναλάβουν ρόλο ποιοτικού ελέγχου που θα τους επιτρέπει να επανεξετάζουν και να υποβάλλουν αναφορές SAR σε κλίμακα.

Συνεχής παρακολούθηση

Όπως αναφέρθηκε παραπάνω, τα χρηματοπιστωτικά ιδρύματα υποχρεούνται να παρακολουθούν τους πελάτες τους σε συνεχή βάση για τον εντοπισμό δυνητικά δόλιων ή εγκληματικών δραστηριοτήτων μεταξύ των κανονικών κύκλων επανεξέτασης των πελατών. Οι λύσεις που βασίζονται στην τεχνητή νοημοσύνη θα είναι σε θέση να ανανεώσουν τη λογική ανίχνευσης που διέπει τα εργαλεία ελέγχου και παρακολούθησης, αξιοποιώντας πρόσθετες πηγές δεδομένων για τη δημιουργία ολιστικών προφίλ πελατών που καθορίζουν καλύτερα την ύποπτη δραστηριότητα για έναν συγκεκριμένο πελάτη και παρακολουθούν τον κίνδυνο σε πολλαπλούς τομείς (AML, απάτη, κυρώσεις κ.λπ.). Αυτές οι αλλαγές θα συμβάλουν στη μείωση των ψευδώς θετικών ειδοποιήσεων και στον καλύτερο εντοπισμό των κινδύνων συμμόρφωσης, επιτρέποντας στα ιδρύματα να απομακρυνθούν από τα άκαμπτα προγράμματα περιοδικής εξέτασης κινδύνων υπέρ πιο ευέλικτων μοντέλων συνεχιζόμενης δέουσας επιμέλειας.

Όπως ακριβώς τα οφέλη και οι παγίδες της τεχνητής νοημοσύνης για την κοινωνία και την οικονομία μένει να φανούν, έτσι και οι κανόνες και τα πλαίσια που θα διέπουν την υιοθέτησή της. Η πρόσφατη μελέτη περίπτωσης της ρύθμισης των ψηφιακών περιουσιακών στοιχείων υποδεικνύει ότι οι ρυθμιστικές αρχές συχνά υιοθετούν μια προσέγγιση αναμονής για την εκκολαπτόμενη τεχνολογία, με την καθοδήγηση να ακολουθεί την καινοτομία κατά τρία έως πέντε χρόνια. Αν και είναι αδύνατο να προβλεφθεί η μορφή της ρυθμιστικής επικάλυψης, υπάρχουν μερικά βασικά θέματα που ενυπάρχουν στην τεχνητή νοημοσύνη και με τα οποία οι χρηματοπιστωτικές ρυθμιστικές αρχές θα πρέπει να παλέψουν.

Προκατάληψη AI

Τα μοντέλα τεχνητής νοημοσύνης είναι τόσο καλά όσο τα δεδομένα στα οποία εκπαιδεύονται, συμπεριλαμβανομένης της ανθρώπινης ανατροφοδότησης που παρέχεται για τη βελτίωση των επιδόσεών τους. Ειδικότερα, τα μοντέλα φυσικής γλώσσας χρησιμοποιούν συχνά ενισχυτική μάθηση, μια τεχνική στην οποία οι άνθρωποι χρησιμεύουν ως "επισημειωτές" για την επικύρωση των αποτελεσμάτων του μοντέλου και τον εντοπισμό των σωστών απαντήσεων. Χωρίς προστατευτικές μπάρες, αυτή η ανθρώπινη ανατροφοδότηση μπορεί, έστω και ακούσια, να εισάγει μεροληψία στα δεδομένα του μοντέλου, με επακόλουθες επιπτώσεις στη λήψη αποφάσεων από την ΤΝ. Οι ρυθμιστικές αρχές στο μέλλον θα πρέπει να διασφαλίσουν ότι η εξάρτηση από την τεχνητή νοημοσύνη για την υποστήριξη των επιχειρήσεων δεν θα οδηγήσει σε άνιση κατανομή των οφελών της.

Εξηγησιμότητα

Τα χρηματοπιστωτικά ιδρύματα που λειτουργούν σε κανονιστικό περιβάλλον καλούνται συχνά από τις ρυθμιστικές αρχές να τεκμηριώσουν τις αποφάσεις τους σχετικά με τους κινδύνους. Η λήψη αποφάσεων με τη βοήθεια σύνθετων εργαλείων ΤΝ που διέπονται από χιλιάδες υποκείμενους δείκτες μπορεί να συμβάλει στην επιτάχυνση ορισμένων διαδικασιών, αλλά τα ιδρύματα πρέπει να έχουν κατά νου την ικανότητά τους (ή των προμηθευτών τους) να παράγουν αιτιολογήσεις για τις αποφάσεις αυτές σε μορφή που μπορεί να γίνει κατανοητή/ερμηνεύσιμη από μη τεχνικούς πόρους, όπως σχετικές παραπομπές για μια αναζήτηση βάσει γεγονότων ή βασικά χαρακτηριστικά/αξίες δεδομένων που επηρεάζουν τα αποτελέσματα των μοντέλων πρόβλεψης. Οι ρυθμιστικές αρχές θα επιδιώξουν να καθιερώσουν ελάχιστα πρότυπα για τη λήψη αποφάσεων σχετικά με τον κίνδυνο, και θα εναπόκειται στο προσωπικό συμμόρφωσης να κατανοήσει τις απαιτήσεις και να διατηρήσει επαρκή οπτική επαφή με τις πηγές πληροφοριών και τη λογική που χρησιμοποιούν τα μοντέλα τεχνητής νοημοσύνης για να προσφέρουν συστάσεις ή να υποστηρίξουν τη λήψη αποφάσεων.

Διαχείριση δεδομένων

Ένα άμεσο πλεονέκτημα από την αξιοποίηση των εργαλείων τεχνητής νοημοσύνης θα είναι οι βελτιωμένες γνώσεις για τους πελάτες, συνδυάζοντας δεδομένα από ανοικτές και κλειστές πηγές για τη δημιουργία προηγμένων προφίλ κινδύνου, συμπεριφοράς και κερδοφορίας. Αυτά τα προφίλ, ωστόσο, προϋποθέτουν τη διαθεσιμότητα, την ποιότητα και την ασφάλεια των δεδομένων των πελατών. Σε μια οικονομία ΤΝ, τα προσωπικά δεδομένα είναι πολύτιμα και αποκτούν ακόμη μεγαλύτερη αξία από ό,τι σήμερα. Ως απάντηση στην εμπορευματοποίηση των προσωπικών δεδομένων από μεγάλες εταιρείες τεχνολογίας τα τελευταία χρόνια, οι ρυθμιστικοί φορείς σε όλο τον κόσμο έχουν ήδη προχωρήσει στην εφαρμογή νόμων για την προστασία της ιδιωτικής ζωής και την ασφάλεια των δεδομένων, οι οποίοι έχουν σχεδιαστεί για να επιστρέψουν τον έλεγχο στο άτομο που αφορούν τα δεδομένα. Οι προσπάθειες για την ασφάλεια, την προστασία και τη ρύθμιση της πρόσβασης στα δεδομένα θα επιταχυνθούν καθώς η τεχνητή νοημοσύνη αναπτύσσεται εμπορικά και η ζήτηση για προσωπικά δεδομένα αυξάνεται.

Κίνδυνοι στον κυβερνοχώρο

Καθώς η οικονομία εξαρτάται ολοένα και περισσότερο από την τεχνολογία και τα δεδομένα, οι πιθανότητες για παραβιάσεις και παραβιάσεις δεδομένων θα αυξάνονται. Επιπλέον, καθώς οι προηγμένες τεχνολογίες καθίστανται πιο προσιτές στο ευρύ κοινό, η χρήση αυτών των τεχνολογιών για την εκτέλεση απάτης και άλλων δόλιων δραστηριοτήτων είναι πιθανό να γίνει πιο συχνή (π.χ. χρήση τεχνητής νοημοσύνης για την αλλοίωση φωτογραφιών ή τη δημιουργία ψεύτικων βίντεο για να επηρεαστεί η συμπεριφορά ανυποψίαστων καταναλωτών). Τα χρηματοπιστωτικά ιδρύματα αγωνίζονται σήμερα για την προστασία από το έγκλημα στον κυβερνοχώρο και οι ρυθμιστικές αρχές έχουν εφαρμόσει νόμους για την ασφάλεια στον κυβερνοχώρο που διέπουν την ισχύ και τη διάρκεια αυτών των ελέγχων. Καθώς η τεχνητή νοημοσύνη εισάγεται στην οικονομία σε κλίμακα, η δυνατότητα πρόσβασης και χειραγώγησης των μοντέλων τεχνητής νοημοσύνης από παράνομους φορείς, μαζί με τα υποκείμενα δεδομένα τους, θα αποτελέσει ακόμη μεγαλύτερη ανησυχία. Οι ρυθμιστικές αρχές θα επιφορτιστούν με την αναμόρφωση των πλαισίων κυβερνοασφάλειας ώστε να λάβουν υπόψη τους αυτούς τους αυξημένους κινδύνους και να καταπολεμήσουν τη μη εξουσιοδοτημένη χρήση εργαλείων ΤΝ για προσωπικό όφελος- οι οργανισμοί συμμόρφωσης θα πρέπει να παρακολουθούν και να προσαρμόζονται αναλόγως.

Παρά τις υποσχέσεις τους, τα εργαλεία τεχνητής νοημοσύνης βρίσκονται στα πρώτα στάδια της καμπύλης υιοθέτησης της τεχνολογίας. Η εκπαίδευση παραμένει δαπανηρή και απαιτεί μεγάλο αριθμό σημείων δεδομένων για να είναι δυνατή η συνεχής μάθηση- τα αποτελέσματα των μοντέλων μπορεί να απαιτούν επικύρωση ή επαλήθευση από τρίτους. Οι λύσεις τεχνητής νοημοσύνης δεν έχουν ακόμη επιδείξει το επίπεδο αξιοπιστίας που απαιτείται για να ενισχύσουν μόνιμα την ανθρώπινη λήψη αποφάσεων, πολύ περισσότερο να την εκτοπίσουν. Επιπλέον, ο απροσδιόριστος χαρακτήρας της διαχείρισης κινδύνου συμμόρφωσης - πόσες φορές ένα SAR αποτρέπει πραγματικά εγκληματική δραστηριότητα; - εμποδίζει τη δυνατότητα βελτίωσης των αποτελεσμάτων του μοντέλου μέσω μεθοδολογιών ενισχυτικής μάθησης. 

Κατά την επόμενη δεκαετία, οι τεχνολόγοι θα πρέπει να συντονιστούν με τους ενδιαφερόμενους φορείς του δημόσιου και του ιδιωτικού τομέα για την εξάλειψη της προκατάληψης, τη μείωση του κόστους και τη βελτίωση της αξιοπιστίας. Με τη σειρά τους, οι επαγγελματίες της συμμόρφωσης θα πρέπει να προσεγγίσουν την ΤΝ με ελπιδοφόρο σκεπτικισμό και να αναλάβουν ορισμένες βασικές δράσεις: 

Αμφισβήτηση των υφιστάμενων μοντέλων

Καθώς τα εργαλεία τεχνητής νοημοσύνης αρχίζουν να γίνονται βιώσιμα από άποψη κόστους και αξίας, οι επαγγελματίες της συμμόρφωσης θα πρέπει να διενεργούν αξιολογήσεις του μοντέλου λειτουργίας τους από πάνω προς τα κάτω και από κάτω προς τα πάνω, ώστε να εντοπίζουν προληπτικά τομείς για πιθανή βελτίωση. Ο σχεδιασμός ενός πλαισίου συμμόρφωσης μελλοντικής κατάστασης με βασικούς επιχειρησιακούς στόχους - αποτελέσματα κινδύνου, μείωση κόστους, βελτίωση διαδικασιών - μπορεί να βοηθήσει στην καθοδήγηση του ταξιδιού της εφαρμογής.

Δώστε προτεραιότητα στα δεδομένα πελατών

Σε ένα περιβάλλον διεργασιών και ελέγχου που λειτουργεί με ΤΝ, τα δεδομένα των πελατών είναι υψίστης σημασίας. Αν και η τυποποίηση των λύσεων ΤΝ απέχει μερικά χρόνια, οι ηγέτες συμμόρφωσης θα πρέπει να αρχίσουν να βελτιώνουν τα δεδομένα πελατών τους τώρα. Οι διορθώσεις δεδομένων είναι πολύπλοκες και μακροχρόνιες, συχνά εκτείνονται σε πολλά χρόνια. Η λήψη μέτρων στο εγγύς μέλλον για τη βελτίωση της διαθεσιμότητας και της ποιότητας των δεδομένων πελατών στην πορεία θα αποδώσει καρπούς, όχι μόνο όσον αφορά τη σκοπιμότητα των μακροπρόθεσμων τεχνολογικών ενοποιήσεων, αλλά και βραχυπρόθεσμα μέσω της βελτίωσης των γνώσεων των πελατών και της διαχείρισης των κινδύνων.

 

Εστίαση στην αύξηση της διαδικασίας

Η έννοια της τεχνητής νοημοσύνης στον εργασιακό χώρο αναπόφευκτα εμπνέει ανησυχίες σχετικά με τις αλλαγές στο προσωπικό. Αν και μπορεί να έρθει μια μέρα που η ανθρώπινη νοημοσύνη θα καταστεί παρωχημένη, δεν χρειάζεται να ανησυχούμε ότι θα περάσουμε αυτή τη γέφυρα για αρκετό καιρό. Σε βραχυπρόθεσμο και μεσοπρόθεσμο ορίζοντα, τα εργαλεία ΤΝ θα καταφέρουν να ενισχύσουν μόνο ορισμένες διαδικασίες, σχεδόν όλες από τις οποίες θα εξακολουθούν να απαιτούν επανεξέταση ή/και επικύρωση από άνθρωπο. Ακόμη και τα πιο προηγμένα μοντέλα ΤΝ - τα εργαλεία που μπορούν να ερευνούν, να αναλύουν, να αναφέρουν, να συνθέτουν και να χειρίζονται δεδομένα - μπορεί συχνά να κάνουν λάθος. Η πιο δημοφιλής και καινοτόμος μεθοδολογία εκπαίδευσης ΤΝ που χρησιμοποιείται σήμερα, η βαθιά μάθηση, δυσκολεύεται γρήγορα όταν αντιμετωπίζει μια είσοδο εκτός των αρχικών της παραμέτρων. Το αποτέλεσμα είναι ένα πολύ ισχυρό εργαλείο στο οποίο μπορεί να βασιστεί κανείς για να αυτοματοποιήσει ορισμένα στοιχεία μιας διαδικασίας (π.χ. σύνταξη τεκμηρίωσης, σάρωση του διαδικτύου για να διαψεύσει ψευδώς θετικές ειδοποιήσεις), αλλά δεν μπορεί ακόμη να το εμπιστευτεί για να εκτελέσει την εν λόγω διαδικασία από άκρη σε άκρη (π.χ. σχεδιασμός πολιτικής συμμόρφωσης, λήψη αποφάσεων σχετικά με τον κίνδυνο πελάτη). Ενώ η αυτοματοποίηση μπορεί να εκτοπίσει ορισμένους ρόλους, η αποτελεσματικότητά της σε κλίμακα θα δημιουργήσει άλλους. Τα επόμενα χρόνια, οι επαγγελματίες της συμμόρφωσης θα πρέπει να δώσουν προτεραιότητα στους τρόπους με τους οποίους η τεχνητή νοημοσύνη μπορεί να βελτιώσει, αντί να αντικαταστήσει, τις διαδικασίες και τους ελέγχους. 

Επιδίωξη συναφών δεξιοτήτων

Η αυτοματοποίηση με τη χρήση τεχνητής νοημοσύνης θα δημιουργήσει ζήτηση για ανθρώπους που κατανοούν τη λογική που χρησιμοποιούν τα εργαλεία τεχνητής νοημοσύνης και μπορούν να δημιουργήσουν αποτελεσματικές εισόδους για να δώσουν τις πιο ουσιαστικές απαντήσεις. Παρόμοια με τον πολλαπλασιασμό των θέσεων εργασίας "βελτιστοποίησης μηχανών αναζήτησης" στις αρχές της δεκαετίας του 2000, η ανάπτυξη της ΤΝ σε οργανισμούς συμμόρφωσης θα απαιτήσει έναν νέο τύπο τεχνολογικής ευχέρειας που θα είναι σε θέση να μεγιστοποιήσει τη χρησιμότητα και την ποιότητα των αποτελεσμάτων των μοντέλων ΤΝ - συμπεριλαμβανομένης της ικανότητας να αποκρυπτογραφούν πότε ένα αποτέλεσμα μπορεί να είναι εσφαλμένο. Οι ηγέτες της συμμόρφωσης θα πρέπει να διασφαλίσουν ότι καλλιεργούν τα σχετικά σύνολα δεξιοτήτων και προσελκύουν τα απαιτούμενα ταλέντα για να βελτιστοποιήσουν την αποτελεσματικότητα των εργαλείων AI.

Συμπέρασμα

Καθώς ο κόσμος αντιδρά για τις τελευταίες εξελίξεις στην ΤΝ, οι ρυθμιστικές αρχές και οι ηγέτες των επιχειρήσεων πρέπει να εξετάσουν τις πρακτικές ευκαιρίες και τους κινδύνους της εφαρμογής της. Σε συνδυασμό με ένα ισχυρό ρυθμιστικό καθεστώς και μια προσεκτική εφαρμογή, η τεχνολογία ΤΝ έχει τη δυνατότητα να φέρει επανάσταση σε όλους σχεδόν τους τομείς του κλάδου των χρηματοπιστωτικών υπηρεσιών. Οι υπεύθυνοι για τη συμμόρφωση θα πρέπει να αγκαλιάσουν τις δυνατότητές της και να παραμείνουν δημιουργικοί καθώς καθοδηγούν την υιοθέτησή της.

Πηγή: How AI will affect compliance organizations