Pencegahan Kejahatan Keuangan dengan Desain Machine Learning Bank

Dibandingkan dengan model berbasis aturan, model ML kurang transparan. Saat ini,  tim serta regulator model risk management (MRM) semakin menuntut "penjelasan" model yang lebih baik, yaitu, metode yang lebih baik untuk menafsirkan model pembelajaran mesin "kotak hitam" (black box), yang dikembangkan dan dipelajari secara langsung dari data tanpa pengawasan atau bimbingan manusia, sehingga mereka dapat menilai modelnya.

Tim pengembangan model pada institusi terkemuka bekerja dengan penyelidik AML (Anti Money Laundering) untuk membantu memastikan bahwa tim memahami data pemodelan, membuat fitur pemodelan yang dapat diinterpretasikan daripada dump data. Kemudian, mengintegrasikan modul ML dengan model dan alat berbasis aturan dan skenario yang ada. Proses transisi harus memanfaatkan platform yang ada, sehingga meningkatkan status quo dan tidak membongkar seluruhnya.

Institusi terkemuka juga mulai membuat pedoman model khusus AML. Beberapa cara khusus yang dilakukan bank untuk meningkatkan kemampuan menjelaskan dan menghasilkan lebih banyak peringatan berkualitas tinggi untuk penyelidik hilir meliputi metode berikut:

• Sampel di luar waktu: Bank harus menyediakan sampel pengujian yang cukup untuk melakukan pengujian model.
• Validasi model: Bank mempertimbangkan risiko spesifik ML, termasuk rekayasa fitur, kalibrasi hyperparameter, bias model terhadap kelas yang dilindungi, penyimpangan model dan kemampuan interpretasi, transparansi, dan kemampuan menjelaskan.
• Pemantauan berkelanjutan: Bank sering melakukan pengujian di bawah garis (Bottom Test Line) untuk membantu memantau kinerja model.

Machine learning (ML) adalah masa depan anti pencucian uang (Anti Money Laundering). Dalam perang melawan pencucian uang, bank secara tradisional selangkah di belakang orang-orang jahat. Dengan ML, sekarang bank memiliki kesempatan untuk mengubah permainan. Teknik analitik tingkat lanjut, khususnya ML dengan analitik jaringan, mampu untuk meningkatkan pemantauan transaksi secara dramatis dengan mengurangi tingkat negatif palsu dan positif palsu, dan dengan mengirimkan peringatan berkualitas lebih tinggi ke penyelidik anti pencucian uang hilir.

Bagi sebagian besar bank, pengembangan membutuhkan investasi waktu dan sumber daya yang signifikan. Untuk mewujudkan manfaat penuh, bagi institusi non bank yang akan menggunakan machine learning perlu membangun kumpulan talent, menciptakan sumber data yang andal, dan memanfaatkan pengetahuan para ahli materi pelajaran. Sesuatu yang sulit, tetapi sepadan dengan usaha yang dipertaruhkan.

MERZA GAMAL 

• Author of Change Management & Cultural Transformation
• Former AVP Corporate Culture at Biggest Bank Syariah
• Pengkaji Sosial Ekonomi Islami