Beş yıl önce, Fara Group’un Kara Para Aklamayla Mücadele/Terörizmin Finansmanıyla Mücadele (AML/CFT) alanındaki çalışmalarının bir parçası olarak, daha önce ABD Hazinesi tarafından yaptırım uygulanan tasfiye halindeki bir bankayı denetledik. Öncelikli misyonumuz, hem bankanın bulunduğu ülkede hem de uluslararası alanda daha geniş bir finansal sistemin daha fazla kirlenmesini önlemek için toksik hesapları ve ilgili hesap sahiplerini tespit etmekti. Proje, diğer şeylerin yanı sıra, çabalarımızın çeşitli ağları ve işlemleri ortaya çıkarması ve özel olarak belirlenmiş bir küresel terör örgütünün finansörlerine karşı hükümet politikalarının şekillendirilmesine yardımcı olması nedeniyle başarılı oldu.

Bankanın kusurlu kayıt tutma ve veri bakım uygulamaları ve faaliyet gösterdiği genel ortam göz önüne alındığında, projenin dilbilimciler, veri bilimciler, adli muhasebe uzmanları ve birden fazla yargı alanında çalışan diğer personelden oluşan özel bir ekip gerektiren yoğun ve manuel bir çaba olduğu ortaya çıktı.

Üst düzey yönetim ve analistler, çoğu fiziksel klasör kutularında ve/veya yerel bilgisayarlarda tutulan gerekli verilerin elde edilmesi ve anlaşılmasındaki gecikmeler nedeniyle defalarca yüksek riskli yerlere seyahat etmek zorunda kaldıklarından, görev önemli güvenlik riskleri de içeriyordu.

Kısacası, o zamandan bu yana gerçekleşen yapay zeka devrimi sayesinde bugün daha az göz korkutucu görünebilecek zorluklarla dolu, maliyetli ve karmaşık bir girişimdi. Ancak bu vaka aynı zamanda, en azından yakın gelecekte, YZ’nin incelikli insan çabalarının gerisinde kalmaya devam edeceği alanlara bir örnek teşkil etmektedir.

 

Belge kullanımıyla ilgili zorluklar

Bu görev, diğer şeylerin yanı sıra çeklerin görüntüleri, elle doldurulmuş Müşterini Tanı (KYC) formları, kredi belgeleri ve Şüpheli Faaliyet Raporlarını (SAR’lar) içeren devasa bir PDF dosyaları ve fiziksel kağıt belge arşivine yayılmış büyük hacimli yapılandırılmamış verilerin işlenmesini içeriyordu. Tüm bunların bir düzineden fazla Fara Group müfettişi ve analisti tarafından kapsamlı bir şekilde incelenmesi ve yapılandırılmış veri kümelerine manuel olarak girilmesi gerekiyordu.

Birçok belgenin Arapça olması ve kritik el yazısı detaylar içermesi bu zorluğu daha da artırıyordu. O dönemde en yeni Optik Karakter Tanıma (OCR) yazılımını kullanmamıza rağmen, teknoloji yetersizdi. Yazılım doğruluk konusunda zorlanıyor, çoğu zaman karakterleri yanlış yorumluyor veya belgelerin bazı kısımlarını tamamen atlıyordu. Yavaştı, hatalara meyilliydi ve karmaşık düzenleri yönetemiyordu, bu da dijitalleştirmeyi sıkıcı ve zaman alıcı hale getiriyordu. Latin alfabesi dışındaki yazıları veya karışık belge formatlarını işlemek neredeyse imkansızdı.

Günümüzde OCR teknolojisi önemli bir dönüşüm geçirmiştir. Gelişmiş algoritmalar artık zorlu düzenler için bile daha hızlı ve daha hassas tanıma sağlıyor. OCR’nin güvenilirliği büyük ölçüde artarak daha sorunsuz belge dijitalleştirme ve veri çıkarma süreçlerine olanak sağladı. Ancak bu alanda hala yapılması gereken işler var, özellikle de Latin alfabesi dışındaki alfabeler için boşlukları doldurmak, iyileştirme için kritik bir alan olmaya devam ediyor.

 

AML analitiğindeki zorluklar

Çok geçmeden, eski bir BT sisteminden alınan yapılandırılmış banka işlem verilerinin büyük bir kısmının, hesaplar arasındaki işlemleri birbirine bağlayan kritik kodlardan yoksun olduğunu ve mutabakatı karmaşık bir görev haline getirdiğini fark ettik. Ayrı bir sunucudan alınan SWIFT veri setleri yapılandırılmış banka işlem verileriyle uyum sağlamada başarısız olurken, alanlar arasında ücretlerin tutarsız bir şekilde uygulanması zorluğu daha da artırdı.

Denediğimiz Excel ve çeşitli adli analitik araçları, kalıpları belirleme ve yüksek hacimli hesapları önceliklendirme konusunda bazı yetenekler sunsa da, aşırı katıydılar ve verimlilik ve ölçeklenebilirlik açısından yetersiz kaldılar. Makine öğrenimi, tahmine dayalı analitik ve güçlü bulut bilişimden yararlanan yapay zeka çözümleri, veri eşleştirmeyi otomatikleştirebilir, anormallikleri işaretleyebilir ve büyük veri kümelerini daha yüksek hız, doğruluk ve uyarlanabilirlikle işleyerek süreci önemli ölçüde kolaylaştırabilirdi.

Veri setlerini eşleştirmek için yenilikçi transliterasyon çözümleri

Temel görevlerden biri, müşterimizin hesap sahipleri veritabanında veya işlem karşı tarafları arasında belirlenmiş bir terör örgütüyle bağlantılı herhangi bir kişinin bulunup bulunmadığını belirlemekti. Karşılaşılan zorluklardan biri, bankanın müşteri listesi Latin alfabesindeyken, şüpheli kişilerden oluşan veri setinin çok çeşitli şekillerde çevrilebilen Arap alfabesinde olmasıydı. (Bir örnek olarak, oldukça yaygın olan “Mohammad” isminin Latin alfabesinde 20’den fazla farklı yazım varyasyonu vardır).

Arapça ve İngilizce setler arasındaki bu uçurumu etkili bir şekilde kapatmanın ve verilerin doğru bir şekilde eşleştirilmesini sağlamanın en iyi yolunun, ekibimizdeki ana dili Arapça olan kişilerin, bankanın verileriyle eşleşebilecek 200.000’den fazla Arapça isim için tüm olası İngilizce harf çevirileriyle birlikte manuel olarak bir sözlük oluşturması olduğunu gördük. Bu zahmetli süreç binlerce saatlik çaba ve AWS bulut hizmetleri aracılığıyla hesaplama işleminin ölçeklendirilmesini gerektirdi. Ayrıca sürecin önemli bölümlerini otomatikleştirmek, verimliliği artırmak ve manuel çabayı azaltmak için Python geliştiricilerini görevlendirdik.

Toplam işlem hacimleri 6 milyar doları aşan binlerce hesap sahibinin eşleşmesini tespit etmeyi başardık.

Makine öğrenimi yapay zekası bu sürecin bazı kısımlarına yardımcı olabilirken, anadili Arapça olan bir kişinin uzmanlığı kritik öneme sahipti. Bu kişiler isim varyasyonlarını derinlemesine anlayabilir ve tespit edilmekten kaçınmak için isimlerin kara para aklayıcılar tarafından kasıtlı olarak nasıl değiştirilebileceğini öngörebilir.

Günümüzde doğru araçlar ve sorgularla yapay zeka uygulamaları bu görevi çok daha verimli bir şekilde yerine getirebilmektedir. Örneğin ChatGPT, sadece 12 saniyede “Mohammad” isminin 22 varyasyonunu üreterek, işlem gücüne bağlı olarak Arapça isimlerden oluşan bir sözlüğün tamamını saatler içinde tamamlama potansiyelini ortaya koyuyor.

 

eKeşif

Bir eDiscovery platformu kullanarak yüz binlerce banka e-postasında bulunan ilişkileri, işlem bilgilerini ve diğer ilgili verileri haritalandırdık. Soruşturmanın bu kısmını dijital bir platform üzerinden yürütebilme kabiliyetine rağmen, süreç yine de analistlerimiz tarafından dikkatli manuel incelemeler gerektiriyordu. Ekip, tespitten kaçmak için tasarlanmış nüanslı veya kodlanmış iletişimleri yakalayamayabilecek bir yöntem olan anahtar kelime aramalarına dayanıyordu (bazı e-postaların Arapça yazılmış olması işleri daha da karmaşık hale getiriyordu). Ayrıca, bazı aramalarda binlerce e-posta çıktığından, analistlerin her bir bulguyu zamanında incelemesi neredeyse imkansızdı.

Yapay zeka, eski metodolojilerin sınırlamalarının ötesine geçerek kara para aklama soruşturmalarında eDiscovery’de devrim yarattı. Günümüzde yapay zeka, bağlamı analiz etmek, kalıpları ortaya çıkarmak ve şüpheli iletişimleri işlem kayıtlarına olağanüstü bir hassasiyetle bağlamak için doğal dil (NPL) işleme ve makine öğreniminden yararlanmaktadır. Bu değişim, soruşturmaların hızını ve doğruluğunu önemli ölçüde artırarak finans kurumlarının yanı sıra kolluk kuvvetlerinin de büyük miktarda veriyi dakikalar içinde işlemesini sağlarken eksik kanıt riskini de azalttı.

eDiscovery platformları yapılandırılmış işlem veri kümeleriyle entegre olarak finansal soruşturmalarda devrim yaratabilir ve kara para aklama faaliyetlerine ilişkin daha derin içgörüler sağlayabilir. Bu araçlar, e-posta iletişimlerini işlem kayıtlarıyla ilişkilendirerek, gelişmiş veri korelasyonu ve örüntü tanımaya olanak tanır ve olağandışı miktarlar veya zamanlama gibi şüpheli anormallikleri ortaya çıkarır. Bu bağlantı, iletişim izlerinin yanı sıra finansal akışları da takip ederek gizli ağları veya planları ortaya çıkararak soruşturmaları geliştirir.

Çıktılarımız, tarihler ve tutarlar dahil olmak üzere bireyler ve tüzel kişiler arasındaki işlem akışını gösteren çeşitli çizelgeler içeriyordu ve çoğu durumda destekleyici kanıt olarak somut belgeler eşlik ediyordu.

 

Yapay zekaya tamamen güvenmek neden hala çok uzak bir köprü olabilir?

Yapay zeka birçok alanda eleştirel düşünce ihtiyacını azaltmıştır. Genellikle arkasındaki mantığı ortaya koymadan sonuçlar sağlar. İnsan süreçlerini taklit ederken, çok daha hızlı ve çok daha büyük bir ölçekte çalışır.

Bununla birlikte, veriler kusurludur ve bu noktada konu uzmanları hala çok önemli bir rol oynamaktadır – yapay zekanın gözden kaçırabileceği nüansları ve tutarsızlıkları fark edebilirler. Veri bilimciler sayıların arkasındaki bilimi anlayabilir, ancak verinin kendisini derinlemesine anlamaktan yoksun olabilirler. İnsan uzmanlığı, bağlam, muhakeme ve içgörü sağlamak için gerekli olmaya devam etmektedir. Kusurlu verilere dayanan yapay zeka teknolojisi, birçok karmaşık alanda insan çabalarının yerini almaktan ziyade onları tamamlamak için çalışır.

Başka bir deyişle, birçok gelişmeye rağmen yapay zeka, özellikle Batılı olmayan yargı bölgelerinde bankacılık dinamiklerinin ince ayrıntılarını anlamada yetersiz kalmaktadır. Daha derin bir bağlam olmadan ham sayıları analiz edebilen bazı veri bilimcileri gibi, yapay zeka da KYC’ler veya kredi onayları gibi süreçlerde hayati önem taşıyan kültürel, coğrafi veya diğer nüansları tanımakta zorlanıyor.

Dahası, (henüz!) bir banka müdürüyle yüz yüze görüşme gibi insan kaynaklı istihbarat yoluyla elde edilen sözsüz ipuçlarını yakalayamaz veya belirli bir kurumu ve müşterilerini çevreleyen yerel siyasi dinamikleri veya hassas ilişkileri tahmin etme yeteneğine sahip değildir. Bu eksiklikler yanlış alarmlara, gergin müşteri ilişkilerine veya yanlış risk değerlendirmelerine yol açabilir.

Öte yandan, yukarıda da belirtildiği gibi, beş yıl önceki banka denetim görevimiz sırasında bariz bir şekilde ortaya çıkan OCR teknolojisinin sınırlamaları o zamandan bu yana önemli ölçüde iyileşmiştir. Gelişmiş algoritmalar artık zorlu düzenler için bile daha hızlı ve daha hassas tanıma sağlamakta ve günümüz OCR’sinin güvenilirliği daha sorunsuz belge dijitalleştirme ve veri çıkarma süreçleri sağlamaktadır. Bununla birlikte, bu gelişmeler önemli bir ilerlemeye işaret etse de, Latin alfabesi dışındaki alfabeler arasındaki boşluğu doldurmak için hala çalışılması gerektiğini unutmayın.

Deneyimlerimize göre, potansiyel terörizm finansmanı bağlantıları hakkında ısmarlama raporlar hazırlamak, öncelikle mevcut bilgilerin tutarsız ve eksik olması nedeniyle önemli benzersiz zorluklar ortaya çıkarmıştır. Sorunlar arasında eski bir bankacılık sisteminin güvensiz veri ve karakter sınırlamaları gibi teknolojik eksikliklerinin yanı sıra müşterilerin durum tespitinin sistem üzerinden değil de banka personeli tarafından sözlü olarak yapıldığı durumlar da vardı. Basılı kopya yapılandırılmamış formlar, insan kaynaklı istihbarat toplama ve eDiscovery platformlarındaki bulgular da dahil olmak üzere çeşitli veri noktalarından gelen bilgileri çapraz referanslayabilen analistlerimizin becerikli incelemeleri sayesinde, otomatik bir bankacılık sistemi olması gereken sistemde önemli eksik, tutarsız ve/veya manuel olarak değiştirilmiş veriler keşfettik.

Bugün de geçerliliğini koruyan bir başka karmaşık konu da, kötü niyetli aktörlerin fonlarını taşımak için izlenebilir ve tespit edilebilir yöntemlerden (doğrudan banka havaleleri gibi) mümkün olduğunca kaçınmaya çalışmaları ve bunun yerine sürekli değişen yaratıcı çözümler bulmalarıdır. Faaliyet gösterdikleri yargı alanının kendine özgü zayıflıklarına bağlı olarak, fonları finansal sisteme sokmak için alışılmışın dışında yöntemler de kullanmaktadırlar (sadece bir örnek vermek gerekirse, hesaplardan kasıtlı olarak fazla para çekmek ve nakit olarak ödeme yapmak gibi).

Tüm bunlar, sahada uzmanlığın ve farklı aktörler arasındaki belirsiz görünen ilişkilerin anlaşılmasının kritik önem taşıdığı anlamına gelmektedir.

Bizim durumumuzda, analizin karmaşıklığı ve özgüllüğü, çeşitli veri türlerini yorumlamak ve sentezlemek için insan uzmanlığı gerektiriyordu. Daha modern yapay zeka, büyük veri kümelerinin işlenmesinde kalıpların belirlenmesi gibi bu sürecin belirli yönleri için değerli bir araç olarak hizmet edebilirdi, ancak muhtemelen nüanslı muhakeme, bağlamsal anlayış ve uyarlanabilirlik gerektiren özel çıktıları tam olarak üretme yeteneğinden yoksun olacaktı.

Yapay zeka ve insan içgörüsü birlikte verimliliği artırabilir. Bununla birlikte, en azından yakın gelecekte, bu banka denetimi gibi özel durumlar için ayrıntılı, bağlama duyarlı çıktılar üretmenin merkezinde insan liderliğindeki çabaların kalmaya devam etmesi muhtemel görünüyor.

Sonuç

Fara Group, yapay zekayı iş akışına entegre etti ve onu herkese uyan tek bir çözümden ziyade güçlü, tamamlayıcı bir araç olarak görüyor. Yapay zeka, bir zamanlar binlerce saat süren görevlerin çok daha kısa sürede tamamlanmasını sağlayan bir güç çarpanı görevi görüyor.

Yapay zekayı analitik ekibimize katılan parlak bir çaylak olarak düşünüyoruz. Hızıyla ve değerli içgörüleri ortaya çıkarma becerisiyle şaşırtabilir. Ancak aynı zamanda yetersiz kalabilir, bağlamı kavramakta zorlanabilir, bariz temaları gözden kaçırabilir ve incelikleri yanlış anlayabilir.

Analitik sürecin merkezinde, deneyimleri sayesinde kritik bir anlayışa sahip olan ve sonuçları değerlendiren kıdemli konu uzmanı yer almaktadır. En azından şimdilik, müşterilerimiz için gerçekten neyin önemli olduğu konusunda zengin ve anlamlı analizler oluşturmak için verilerin kaynağını ve sınırlamalarını tanımada, istihbarat boşluklarını doldurmada ve insan kaynaklı istihbarat içgörüleri de dahil olmak üzere çeşitli kaynaklardan gelen bilgileri birleştirmede yapay zekadan daha iyidirler.