IIF는 자금 세탁 방지에서 기계 학습 기술의 탐색 및 채택에 대해 59 개의 기관 (54 개 은행 및 5 명의 보험사)을 조사했습니다. 우리의 결과 보고서의 상세한 버전은 규제 커뮤니티 및 59 개 회사에 대한 분포에 제한되어 있지만 짧은 형식 요약 보고서도 공개 배포를 위해 준비되었습니다.

이 연구는 AML 공간에서의 응용의 특정 목적과 특정 유형의 특정 기술, 채택, 혜택, 도전 및 모델 거버넌스의 성숙도에 어떤 유형이 있는지 다룹니다. 우리의 연구 결과에 따르면 AML에서 기계 학습 기술의 적용은 업계 전반에 빠르게 확산되고 있으며, 불법 활동에 대한 더 강력하고 효과적인 방어 시스템을 구축하기위한 헌신에 의해 주도됩니다. 중요하게도, 59 개의 설문 조사에 참여한 회사 중 어느 누구도 직원을 줄이기위한 수단으로 머신 러닝을 추구하지 않았지만 훈련 된 AML 분석가가 제공 할 수있는 더 크고 빠른 통찰력을 얻기 위해..

기계 학습 기술은 또한 금융 기관이 어려움을 겪고있는 몇 가지 과제를 해결하는 데 큰 약속을 가지고 있으며 기존 AML 프레임 워크의 효율성을 높이고 이미 오 탐지율을 줄이고 한 가지 예제로서의 거래 모니터링 결과를 유도하는 데 도움이됩니다. 우리는 더 많은 회사가 프로세스를 검토하고 새로운 프로젝트를 시작하면서 이러한 추세가 계속 될 것으로 기대합니다. 또한 공공 당국과 금융 기관 간의 정보 공유 및 피드백 루프가 향상됨에 따라 탐지 및 위험 관리의 개선 된 성능이 더욱 증가 할 수 있음을 식별합니다. '.