Informacje o produkcie

Ustawodawca nałożył na instytucje finansowe obowiązek śledzenia transakcji i wykrywania transakcji podejrzanych oraz ich raportowania do Głównego Inspektora Informacji Finansowej.

Techniki stosowane w systemach do rozwiązywania problemu wykrywania transakcji podejrzanych są oparte na tradycyjnych zapytaniach SQL, które działają w granicach wcześniej zdefiniowanych reguł lub parametrów. Jednocześnie nie są one zdolne dostosować się do zmieniających się wzorów lub schematów “prania brudnych pieniędzy” bez istotnej zmiany programu lub ingerencji eksperta w tej dziedzinie.

Dla dzisiejszych instytucji finansowych, które muszą przerabiać miliony transakcji i posiadają tysiące lub miliony klientów, systemy oparte na przedefiniowanych regułach nie pozwalają na odpowiednią elastyczność w podążaniu za ciągle zmieniającymi się sposobami “prania brudnych pieniędzy”.

Aplikacje FinDet do wykrywania transakcji podejrzanych poszerza zakres dostępnych metod o technologię eksploracji danych (data mining) i sztucznej inteligencji.

Proces data mining stosowany do wykrywania i analizy olbrzymiej ilości danych można podzielić na kilka kroków. Po pierwsze, dane muszą być zintegrowane do jednego formatu. Drugi krok polega na wizualizacji, łączeniu i interpretacji oczywistych i ukrytych powiązań, złożonych związków oraz wzorów aktywności zawartych w danych. Ostatnim krokiem jest uzyskanie rezultatów, które będą akceptowalne i zrozumiałe dla użytkownika końcowego.

Moduł Data Mining bazuje na aplikacji GhostMiner i składa się z dwóch części: Developer i Analyzer.

Developer jest wykorzystywany jako narzędzie do automatycznego tworzenia reguł oraz do wykrywania transakcji podejrzanych w oparciu o modele przygotowane na treningowej bazie danych transakcji.

Analyzer jest wykorzystywany jako narzędzie do detekcji transakcji podejrzanych spośród wszystkich transakcji dostarczonych przez system. Wyniki analizy są później widoczne w odpowiednim raporcie podsumowującym.

Zastosowanie Modułu Data Mining pozwala na automatyzację oraz na dokładniejsze wykrywanie transakcji podejrzanych. Wymaga to stworzenia własnej, treningowej bazy transakcji definiującej klasy transakcji. Baza taka może być konstruowana na dwa sposoby:

GhostMiner dostarcza dwóch spośród najbardziej znanych metod eksploracji danych służących powszechnie do wykrywania transakcji podejrzanych:

Algorytmy używane w pakiecie GhostMiner bazują na nowoczesnych metodach sieci neuronowych, drzew decyzji oraz metodach wizualizacyjnych.