AI в комплаенсе и предотвращении мошенничества

Мы встраиваем языковые модели в продукты для комплаенса и антифрода там, где классические правила и словари дают слишком много шума. Главный принцип — гибрид: детерминированная логика находит кандидатов и применяет правила, а модель оценивает контекст. Так решение остаётся объяснимым, а аналитик тратит меньше времени на ложные срабатывания.

В работе с AI я начинаю с задач, где он может принести ощутимую пользу банку и его аналитикам. Для наших продуктов я выбрал подход, в котором AI помогает понять контекст, а решение остаётся объяснимым. Вместе с командой мы воплощаем его в Merchant Inspector и проверяем на реальных задачах банков.

Задача

Проверка сайтов мерчантов по словарям запрещённых слов ловит не только нарушения, но и всё подряд: упоминание товара в статье, в отзыве или в списке того, что магазин как раз не продаёт. Аналитики тратят время на разбор ложных срабатываний, а банк рискует отказать добросовестному мерчанту. Определить настоящий вид деятельности по сайту и сравнить его с заявленным MCC правилами тоже почти невозможно.

Решение

В Merchant Inspector языковая модель подключена к ключевым проверкам:

• Перепроверка словаря по контексту — словарь находит кандидатов в тексте страниц, в тексте на картинках (OCR), в соцсетях и на скрытых страницах, а модель по фрагменту вокруг находки решает, действительно ли мерчант продаёт этот товар.
• Соответствие MCC — модель определяет фактический вид деятельности по содержимому сайта, а итоговое решение принимает код по группам допустимых кодов и чёрному списку.
• Обязательная информация — модель проверяет, есть ли на сайте контакты, условия доставки и возврата, политика конфиденциальности, а не просто похожие слова.
• Заключение по мерчанту — модель готовит черновик заключения для аналитика, а программные правила ограничивают её выводы результатами проверок (пилот).

Основная модель — открытая, работает на нашем собственном GPU-сервере, а не в облаке. Подключение идёт через OpenAI-совместимый API, поэтому модель можно заменить без переделки продукта.

Результат

• на портфеле банка-клиента модель полностью сняла словарные срабатывания в 231 из 295 проверок с находками словаря — около 78%; насколько результат переносится на другие портфели, ещё предстоит проверить;
• после включения контекстной проверки доля проверок со статусом нарушения снизилась с 46% до 18% для условий доставки и возврата и с 29% до 21% для политики конфиденциальности.

Следующие шаги

Мы развиваем этот подход в транзакционном антифроде: AI-ассистент аналитика, который готовит сводку по инциденту и объясняет сработавшие правила, и помощник для подбора новых правил с проверкой на исторических данных.

AI в нашей разработке

Внутри команды AI-аналитик уточняет постановку задачи вопросами автору, AI-разработчик готовит код и pull request, а ревью проходит с участием AI. Решение о слиянии принимает человек.

← Вернуться к проектам