Boj proti praní špinavých peněz, anti-Money Laundering (AML), je klíčovou prioritou EU. Poslední směrnice proti praní špinavých peněz (AMLD IV), zveřejněná v roce 2015 a schválená evropským parlamentem, nařizovala vytvořit silnější ochranu finančních toků z rizikových zemí.

Posílila také evropské finanční zpravodajské jednotky. Dosud nevídané výše dosáhly pokuty pro banky, které obchodují s klienty, o nichž se ví, že perou peníze, nebo jsou z toho podezřelí. Právě na bankách spočívá odpovědnost za to, aby praní špinavých peněz zastavily.

Tradičně se boj proti praní špinavých peněz uskutečňoval ručně a podle zaběhaných pravidel, pozornost se soustředila na proces, a nikoli na výsledky. Banky se řídily principem: poznej svého klienta, a postupovaly při tom krok po kroku, aby zjistily totožnost klienta, jeho obchodních partnerů a skutečných vlastníků a srovnávaly je se seznamy osob sledovaných v rámci boje proti praní špinavých peněz.

Tento přístup založený na pravidlech zahrnuje nástroje, které metodicky označí hotovostní transakce a převody, jejichž výše přesahuje určitou částku v Eurech, anebo které souvisejí s některými konkrétními státy. Odborníci, kteří se zabývají monitorováním praní špinavých peněz, pak ručně procházejí bankovní transakce a rozhodují, které z nich je třeba prozkoumat důkladněji.

Tento proces je neúčinný při identifikaci transakcí uzpůsobených k tomu, aby podobné kontroly obešly, například transakce s vrstvami fiktivních společností. V posledním desetiletí se objevily nové algoritmy pro boj proti praní špinavých peněz, které jsou založené na umělé inteligenci.

Jejich rozkvět umožnil vývoj hardwaru, velkých dat a distribuovaného zpracování úloh. Tyto nové nástroje nespoléhají pouze na definovaná pravidla a parametry. Místo toho, aby sledovaly každou transakci jednotlivě, provádějí komplexní kontextuální analýzu, aby zjistily neobvyklé aktivity.

Využívají při tom široce definované parametry pro produkty, zákazníky a typy rizika. Algoritmy se dynamicky „učí“ tak, že opakovaně hodnotí vlastní výstupy, přizpůsobují se proměnám transakcí a objevují nové vzorce pro chytřejší odhalování v budoucnosti.

A jaké jsou výsledky využívání technologie založené na AI? Došlo ke snížení objemu transakcí, které byly označené pro další kontrolu. Takto označené podezřelé transakce se spojují do skupin podle stupně ohrožení, takže analytikové snáze vidí, čemu je třeba věnovat přednostní pozornost, protože tu hrozí větší nebezpečí.

Kontrolu podezřelých transakcí usnadňují nástroje založené na technologii, takže se snižuje čas, který je třeba věnovat ručním kontrolám, a banky tím pádem účinněji dodržují stanovená pravidla. Jedna velká banka během testování nové technologie zjistila, že se počet falešných pozitiv snížil o 35 %. Díky kategorizaci označených transakcí podle míry rizika se schopnost bank identifikovat podezřelé transakce zvýšila více než čtyřnásobně.

Využívání AI a strojového učení přináší příslib, že se významně zvýší schopnost bank odhalovat vzorce praní špinavých peněz, takže dokáží zůstat alespoň o krok napřed před teroristy a jinými finančními zločinci.