Comment réduire les faux positifs grâce au machine learning (5 conseils)

En utilisant une solution logicielle pour assurer leur conformité, les établissements financiers peuvent détecter tout un éventail de menaces criminelles, parmi lesquelles des méthodes de plus en plus sophistiquées de blanchiment d’argent et de financement du terrorisme (BC-FT). Cependant, tout en élargissant la portée et les ressources des programmes de lutte contre le blanchiment d’argent et le financement du terrorisme (LCB-FT), les solutions logicielles risquent aussi d’augmenter le nombre d’alertes faussement positives, d’identifier des clients de manière inappropriée ou de signaler à tort des transactions comme présentant des risques de blanchiment d’argent ou de financement du terrorisme.

Un faux positif est généré lorsqu’un profil client ou une transaction est interprété comme suspect par la solution de conformité qu’utilise un établissement, ce qui déclenche une alerte dans le cadre de la lutte contre le blanchiment d’argent (LCB). Des faux positifs peuvent être générés pour différentes raisons, notamment à cause de données inexactes, d’un contexte inadapté, d’une sensibilité excessive des règles ou d’une erreur humaine. Les alertes faussement positives sont une perte de temps et d’argent considérable pour les établissements financiers qui doivent remédier chaque cas pour satisfaire à leurs obligations de conformité. En parallèle, les tensions administratives que ces alertes génèrent sont une source d’expérience négative pour la clientèle. 

Aussi, pour faire face à cette situation, l’un des moyens les plus efficaces est de réduire le volume de faux positifs à l’aide de ressources d’apprentissage automatique (machine learning) intégrées à une solution de conformité. En effet, avec des outils de machine learning, les établissements peuvent alors interpréter les données de manière plus claire et plus efficace et réduire ainsi les taux de faux positifs. Les établissements doivent donc apprendre à utiliser l’apprentissage automatique pour améliorer leur programme LCB.

Comment l’apprentissage automatique contribue-t-il à la conformité LCB ?

Les exigences en matière de collecte de données pour favoriser la réduction des faux positifs rendent les outils fondés sur le machine learning particulièrement utiles pour l’équipe Conformité d’un établissement. En effet, les systèmes de machine learning analysent les données historiques afin d’obtenir des informations sur le comportement des clients dans la durée. Ces systèmes analysent ensuite ces données pour prendre des décisions intuitives concernant les nouvelles alertes et également pour faire des prévisions.

Il faut cependant distinguer le machine learning de l’IA, que ce soit d’une manière générale ou plus spécifiquement pour la conformité LCB. L’IA est un terme générique qui regroupe un certain nombre de technologies qui remplissent des fonctions traditionnellement en lien avec l’intelligence humaine. L’apprentissage automatique est une catégorie de l’IA qui concerne la capacité d’une machine à améliorer ses ressources en analysant des données afin d’en tirer des modèles. Dans le cadre de la LCB, il est possible de programmer des systèmes de machine learning pour qu’ils adaptent automatiquement leurs résultats, ce qui crée de nouveaux points de données sans que l’équipe Conformité soit obligée de fournir des informations ou des consignes supplémentaires.

Grâce au machine learning, un établissement peut entraîner ses solutions de filtrage LCB à identifier et à rassembler des sources pertinentes et aussi à structurer les données de manière plus efficace dans le cadre d’un processus de remédiation des alertes. Il est possible de référencer des informations historiques de manière rapide et efficace afin d’étayer les prises de décisions concernant les alertes entrantes et d’utiliser les données récemment publiées pour enrichir les profils de risque client en temps réel. L’apprentissage automatique contribue largement aux mesures de filtrage dans la mesure où les établissements peuvent entraîner leurs systèmes à améliorer leur précision au fil du temps en apprenant à identifier des éléments tels que :

• Les noms en double
• Les orthographes similaires
• Les noms d’emprunt et les pseudonymes
• Les écritures non latines
• Les différences entre les conventions de dénomination à travers le monde

5 façons de réduire les faux positifs grâce à l’apprentissage automatique

Les outils de machine learning accélèrent le processus de remédiation des alertes LCB en identifiant les faux positifs plus rapidement que le feraient d’autres types d’analyse et en remontant les vrais positifs lorsque cela s’avère nécessaire. Plus spécifiquement, les établissements peuvent utiliser les systèmes de machine learning pour réduire les taux de faux positifs comme suit :

1. Adapter les algorithmes de rapprochement aux exigences de la LCB

Les algorithmes de rapprochement sont essentiels à un établissement pour procéder à un filtrage efficace dans le cadre de la LCB. Afin d’éviter les faux positifs et d’optimiser leurs performances, les établissements doivent adapter leurs algorithmes à des facteurs tels que les exigences réglementaires propres à une juridiction, les produits ou les services qu’ils proposent ou encore leur propre appétit pour le risque comme défini lors de l’évaluation initiale des risques à l’échelle de l’établissement.

2. Surveiller en continu les sources d’information 

Les données utilisées par les établissements financiers pour les principaux processus de conformité sont dynamiques et non pas statiques. Prenons l’exemple de la fréquence de mise à jour des listes de sanctions ou des listes de personnes politiquement exposées (PPE) par les autorités. Les établissements doivent s’assurer de pouvoir capturer ces changements aussi vite que possible en recourant à l’apprentissage automatique pour surveiller et mettre à jour leurs données en continu plutôt que manuellement et selon un calendrier fixe, sous peine d’utiliser des informations obsolètes. 

3. Utiliser les données les plus propres possibles

De même, comme les données redondantes déclenchent de nombreuses alertes faussement positives, elles génèrent souvent des informations obsolètes ou des rapprochements de noms hasardeux. Afin de rationaliser le traitement des alertes, il est possible d’entraîner les systèmes de machine learning à reconnaître des données redondantes en fonction du contexte sémantique. Ces systèmes peuvent également être programmés pour effectuer des analyses statistiques sur les données transactionnelles à la fois historiques et nouvelles pour voir l’intérêt d’une classification des alertes faussement positives. 

4. Structurer les données 

Remédier des faux positifs impose d’analyser d’énormes volumes de données non structurées issues de sources externes, qu’il s’agisse de médias, de réseaux sociaux ou de documents publics et privés. Grâce aux systèmes de machine learning, les établissements peuvent mieux structurer ces données en apprenant à hiérarchiser et à classer les informations en fonction de leur pertinence pour des alertes spécifiques. 

5. Réaliser un filtrage intuitif 

Les alertes faussement positives sont souvent déclenchées lors de la consultation de listes de PPE et de médias défavorables ou lors de la vérification de listes de sanctions internationales suite à une mauvaise identification de noms ou à une interprétation erronée des données. Dans ce contexte, le machine learning permet d’enrichir les profils de risque des clients en fournissant de manière intuitive des informations d’identification supplémentaires ou des explications sur les conventions de dénomination qui aideront l’équipe Conformité à identifier les faux positifs.

Solutions d’apprentissage automatique pour la conformité LCB

Les solutions logicielles de ComplyAdvantage s’appuient sur une IA de pointe pour alimenter des algorithmes de rapprochement que les établissements peuvent utiliser pour leurs programmes de conformité à la réglementation LCB. Exploitant des bases de données actualisées de manière dynamique pour réduire le plus possible le volume d’alertes faussement positives, ces algorithmes peuvent vérifier de manière rapide et précise si des clients d’un établissement figurent dans des listes de sanctions et de surveillance et de médias défavorables, dans des bases de données à caractère judiciaire, dans des listes de PPE ou encore dans des informations sur leurs parents et proches associés (RCA).

En outre, ComplyAdvantage a développé des modèles d’apprentissage automatique qui identifient et suppriment les données non pertinentes en procédant à des analyses sémantiques et statistiques sur les nouvelles alertes, ce qui permet de réduire les faux positifs qui sont souvent liés à des données dupliquées ou redondantes. Une fois les vrais positifs identifiés, l’équipe Conformité peut lancer une évaluation des risques automatisée qui lui permettra de résoudre les cas prioritaires en priorité.