Les médias défavorables, c’est-à-dire les nouvelles négatives, ne peuvent plus être ignorés par les institutions financières (IF). L’utilisation de l’analyse des médias négatifs avec l’Intelligence Artificielle (IA) a un impact puissant pour toute IF. Elle leur permet de se protéger contre les crimes financiers grâce à un pouvoir d’investigation bien supérieur à celui d’un analyste humain simplement armé d’une liste limitée de mots-clés.

Pourquoi faire un filtrage de la couverture médiatique négative avec l’IA ?

L’apprentissage automatique, un sous-ensemble de l’intelligence artificielle qui s’améliore rapidement, permet de scanner les articles d’actualité à un rythme, une profondeur, une étendue et une précision inégalés par les moteurs de recherche grand public habituels (ou même par des outils de recherche médiatique plus professionnels).

Les principaux organismes consultatifs et régulateurs (GAFI, FCA, FinCEN, et al) recommandent depuis longtemps que le filtrage des médias indésirables soit inclus dans une boîte à outils de conformité réglementaire des IF. Cela pose un défi aux IFs pour gérer la quantité d’informations qui pourraient être identifiées lors de recherches de nouvelles négatives. L’utilisation d’une technologie d’apprentissage automatique de pointe peut réduire considérablement le temps d’enquête des agents chargés de la conformité.

Le filtrage et la supervision des clients est beaucoup plus facile à supporter avec un outil médiatique négatif alimenté par l’IA. Avoir un processus de conformité robuste permet d’identifier plus facilement les entités a haut risque, et est aussi un indicateur pour les régulateurs que les institutions financières prennent leurs obligations au sérieux et cherchent à agir au-delà des exigences réglementaires minimales.

Quel était la façon traditionnelle d’analyser les médias ?

Avant que l’IA ne devienne un outil d’analyse des informations médiatiques négatives, les agents de conformité utilisaient un processus de recherche manuel avec des mots-clés. C’était inefficace, une mauvaise utilisation des ressources, et cela entraînait des erreurs inacceptables, mais il n’y avait malheureusement guère d’alternative.

L’apprentissage automatique a changé tout cela. Il est maintenant possible d’analyser des nouvelles et d’isoler les entités réelles qui ont été identifiées comme étant vos clients, sans avoir à vérifier manuellement chaque article.

Passer par un processus automatisé et d’utiliser l’IA avec des médias hostiles permet également que les profils dupliqués sont moins fréquents. Les analystes humains font souvent preuve de prudence et créent des entrées en double au cas où les entités seraient différentes – ce qui signifie que lorsque les clients sont contrôlés, il faut examiner plusieurs profils pour ne pas manquer d’informations. Toute cette interaction humaine avec les données prend beaucoup de temps et de ressources, ce qui peut s’averer être couteux et ralentir l’intégration du client.

De plus, les préjugés humains peuvent se glisser dans la base de données, ce qui peut conduire à des interprétations subjectives du risque.

En outre, il s’agit d’un travail manuel à forte intensité de main-d’œuvre, avec peu de remerciements, ce qui veut dire que les analystes expérimentés sont rarement ceux qui font ce travail. Quelle que soit son expérience, il est peu probable qu’un chercheur soit capable de parler les dizaines de langues nécessaires pour comprendre correctement toutes les régions à risque. Sans parler des limites des mots-clés.

Pourquoi les mots-clés ne suffisent pas

Les mots-clés indiquent des informations défavorables sur une entité. Malheureusement, les mots-clés sont aussi sensibles au contexte. Si vous recherchez « fraude » mais que le mot utilisé est « frauduleusement », le contexte peut ne pas être pris en compte, selon la précision des paramètres de recherche.

Pour être efficace, vous devez rechercher toutes les permutations de « fraude », de sorte que « frauder », « frauduleux », « escroqué », etc.

Mais les journalistes peuvent aussi préférer d’autres formulations, il est donc nécessaire d’inclure tous les synonymes de « fraude » également. Cela finit par créer une chaîne de recherche absurdement longue, et dans Google, la recherche est malheureusement limitée à 32 mots.

Les mots clés ne sont pas non plus nécessaires pour identifier les informations défavorables. Il est donc difficile de justifier leur usage lors du filtrage des médias défavorables avec l’IA. Un bon outil de détection des médias négatifs devrait pouvoir détecter qu’une entité qui est impliquée dans un crime facilement et rapidement – mais ce n’est souvent pas le cas avec une recherche par mot-clé. Si un article décrit le crime sans le nommer, il est peu probable qu’une recherche par mot-clé sur Google, ou tout autre outil utilisant des mots-clés dans le cadre de son processus, le détecte.

Les mots-clés étaient un des seuls moyens de filtrage des médias défavorables. La digitalisation des processus de filtrage est maintenant nécessaire : il est temps pour toutes institutions financières d’adopter une approche plus intelligente aux risques. L’apprentissage automatique est la seule façon de connaître pleinement et efficacement le risque associé à vos clients.

0
Share:

En continuant de naviguer sur ce site, vous acceptez que nous utilisions des cookies. Plus d'information

Les paramètres des cookies de ce site Web sont réglés de manière à "autoriser les cookies" afin de vous offrir la meilleure expérience de navigation possible. Vous consentez aux cookies si vous continuez à utiliser ce site Web sans modifier vos paramètres de cookies ou si vous cliquez sur "Accepter".

Fermer