La limitation des systèmes AML traditionnels

Les systèmes traditionnels de lutte contre le blanchiment d'argent analysent les transactions de manière isolée ou utilisent des heuristiques simples basées sur des règles. Même si ces approches parviennent à détecter des schémas de structuration de base, elles échouent fondamentalement à comprendre la nature réseau des opérations de blanchiment d’argent.

Envisagez un système de stratification sophistiqué dans lequel les fonds transitent par plusieurs comptes intermédiaires entre différentes institutions. Un système traditionnel peut signaler des transactions individuelles, mais il ne peut pas voir la situation dans son ensemble : toutes ces transactions apparemment sans rapport forment un réseau connecté conçu pour masquer l’origine des fonds illicites.

Entrez dans les réseaux de neurones graphiques

Les réseaux de neurones graphiques (GNN) représentent un changement de paradigme dans la façon dont nous abordons la détection AML. Au lieu de traiter les transactions comme des événements indépendants, les GNN modélisent l’ensemble du système financier sous forme de graphique :

Nœudsreprésenter des entités (clients, comptes, commerçants)
Bordsreprésenter les transactions entre entités
Caractéristiquesinclure les montants des transactions, les horodatages et les modèles de comportement

Comment fonctionnent les GNN pour AML

Chez nerous.ai, nous utilisons une architecture GraphSAGE (Graph Sample and Aggregate) avec des mécanismes d'attention. Voici comment cela fonctionne :

1. Intégration d'entité

Chaque entité du réseau de transaction est représentée sous la forme d'une intégration vectorielle à 128 dimensions. Cette intégration capture non seulement les propriétés directes de l'entité, mais également sa position et son rôle dans le réseau plus large.

2. Passage de messages

Le GNN effectue le passage des messages sur 3 à 5 couches. Dans chaque couche, les nœuds regroupent les informations de leurs voisins. Cela permet au modèle de « voir » les relations multi-sauts, par exemple en détectant que le compte A a envoyé de l'argent au compte B, qui l'a envoyé au compte C, qui l'a renvoyé à un associé du compte A.

3. Mécanisme d'attention

Toutes les connexions ne sont pas également importantes. Notre mécanisme d’attention apprend à pondérer différentes relations en fonction de leur pertinence par rapport aux modèles de blanchiment d’argent. Par exemple, un transfert direct peut être pondéré différemment d’un transfert via un intermédiaire marchand.

Exemples de détection du monde réel

Schémas de superposition

Les GNN excellent dans la détection des couches car ils peuvent retracer les fonds à travers plus de 10 degrés de séparation. Lorsque des fonds illicites sont transférés via plusieurs sociétés écrans et comptes, le GNN identifie la structure connectée sous-jacente même lorsque les transactions individuelles semblent légitimes.

Réseaux de mulets

Les réseaux de mules d'argent forment des modèles graphiques distincts : plusieurs comptes reçoivent des fonds de diverses sources, puis les transmettent vers une destination commune. Les GNN peuvent identifier automatiquement ces modèles en étoile, même lorsque les mules sont recrutées progressivement au fil du temps.

Blanchiment d'argent basé sur le commerce

Dans TBML, les criminels utilisent les flux commerciaux légitimes pour déplacer de l’argent. Les GNN analysent simultanément les réseaux de transactions et d'échanges, identifiant les modèles de paiement qui ne correspondent pas aux relations commerciales typiques, par exemple les modèles d'échanges circulaires ou les paiements qui ne correspondent pas aux flux de matières premières.

Architecture technique

Notre système de production GNN traite des graphiques comportant des milliards d'arêtes en temps réel :

Échantillonnage de graphiques: Nous utilisons l'échantillonnage de voisinage pour rendre le calcul plus facile pour les grands graphes
Traitement par lots: Les transactions sont traitées par mini-lots de 10 000 pour plus d'efficacité
Mises à jour incrémentielles : à mesure que de nouvelles transactions arrivent, nous mettons à jour progressivement les intégrations plutôt que de recalculer l'intégralité du graphique
Formation multi-GPU : La formation du modèle est répartie sur les clusters GPU pour une itération plus rapide

Résultats et impact

Depuis le déploiement de la détection basée sur GNN, nos clients ont constaté :

Augmentation de 45 %dans la détection de schémas de superposition sophistiqués
87% de réductionde faux positifs par rapport aux systèmes basés sur des règles
10x plus rapidetemps d’investigation grâce à la visualisation automatique du réseau
Analyse en temps réelavec une latence inférieure à 100 ms pour l'évaluation des transactions

Défis et orientations futures

Même si les GNN représentent une avancée majeure, des défis demeurent :

Explicabilité: Rendre les décisions GNN interprétables pour les responsables de la conformité et les régulateurs
Dynamique temporelle: Meilleure modélisation de l'évolution des réseaux dans le temps
Réseaux interinstitutionnels: Analyser des réseaux couvrant plusieurs institutions financières
GNN préservant la confidentialité: Permettre une détection collaborative tout en protégeant les données clients

Nous recherchons activement ces domaines et notre feuille de route comprend des architectures GNN temporelles et des approches d'apprentissage fédéré pour la collaboration interinstitutionnelle.

Conclusion

Les réseaux de neurones graphiques représentent l’avenir de la détection AML. En modélisant les systèmes financiers sous forme de réseaux interconnectés, les GNN peuvent détecter des systèmes sophistiqués de blanchiment d’argent qui échappent aux systèmes traditionnels. Alors que les criminels continuent de faire évoluer leurs tactiques, les approches d’IA basées sur des graphiques seront essentielles pour garder une longueur d’avance.

Chez nerous.ai, notre nom – du mot finlandais signifiant génie, ingéniosité et brillance – reflète notre engagement à apporter une réflexion innovante à la prévention de la criminalité financière. Les GNN ne sont qu’un exemple de la manière dont nous appliquons la recherche de pointe sur l’IA pour résoudre les défis AML du monde réel.

Comprendre les réseaux de neurones graphiques dans la détection AML