Melawan Penipuan Finansial dengan Menggunakan Machine Learning

Saat ini, ada peluang bagi bank untuk tampil di depan. Peningkatan terbaru dalam pembelajaran mesin (ML) membantu bank untuk meningkatkan program anti pencucian uang (AML) mereka secara signifikan. Program tersebut termasuk elemen pemantauan transaksi.

Momentum dalam memerangi kejahatan keuangan ini menciptakan minat yang besar terhadap ML di antara para pemimpin industri. 

Dalam focus group discussion (FGD) yang diselengarakan McKinsey pada awal 2022 bersama Pemimpin Anti-Pencucian Uang (AML) dan kejahatan keuangan dari 14 bank besar negara-negara Amerika Utara, dilaporkan bahwa  lebih dari 80 persen peserta telah memulai proses adopsi solusi ML. 

Sebagian besar bank berharap dapat mendedikasikan upaya serius untuk menerapkan solusi ML dalam program AML mereka dalam dua hingga tiga tahun ke depan.

Secara teori, bank dapat menerapkan ML di seluruh rantai nilai AML (Lihat Image.01). Pemantauan transaksi, khususnya, menggabungkan ML dengan algoritme canggih lainnya (misalnya, random forest, peningkatan gradien, pembelajaran mendalam) merupakan tempat bank dapat memperoleh salah satu manfaat paling langsung dan signifikan dalam upaya AML mereka.

Image.01: Aplikasi machine learning dalam pemantauan transaksi finansial (Flie by Merza Gamal)

Saat ini, banyak lembaga keuangan menggunakan alat berbasis aturan dan skenario atau pendekatan statistik dasar untuk pemantauan transaksi. 

Aturan dan ambang batas tersebut didorong oleh tanda bahaya industri, indikator statistik dasar, dan penilaian ahli. Namun aturan tersebut seringkali gagal menangkap tren terbaru dalam perilaku pencucian uang.

Pada sisi lain, model pembelajaran mesin dapat memanfaatkan data indikatif perilaku yang lebih terperinci untuk membangun algoritme yang canggih. Pembelajaran mesin juga lebih fleksibel dalam menyesuaikan dengan cepat tren baru dan terus meningkatkan dari waktu ke waktu. 

Sebagai contoh, dengan mengganti alat berbasis aturan dan skenario dengan model ML, satu lembaga keuangan terkemuka dapat meningkatkan identifikasi aktivitas mencurigakan hingga 40 persen dan efisiensi hingga 30 persen.

Dengan demikian, kini saat beralih ke model ML untuk pemantauan transaksi. Namun sebelumnya, perusahan harus belajar kepada bank yang bisa menjawab tiga pertanyaan utama sebagai berikut:

• Di mana bank harus menggunakan pembelajaran mesin?
• Sumber data tambahan apa yang dibutuhkan?
• Bagaimana seharusnya bank melayani model tersebut?