L'advanced Machine Learning au service de l'AML

When Advanced Machine Learning meets Anti-Money Laundering

Prendre en charge des volumes importants de données, les analyser et mener à bien ses missions de lutte contre le blanchiment de capitaux et le financement du terrorisme (AML ou LCB-FT) en un rien de temps : un rêve ? C’est pourtant bien ce que va permettre la technologie et notamment l’Advanced Machine Learning.

En tant qu’élément clé du dispositif AML, et par extension de la lutte contre la criminalité et le terrorisme, l’AML Officer devrait disposer d’outils performants permettant de faire un premier tri et de mettre en évidence les zones où il devrait concentrer ses investigations… Cependant, en raison de la considérable croissance du nombre de données et d’une automatisation souvent trop limitée, son travail s’apparente souvent à chercher une aiguille dans une botte de foin, cette dernière étant elle-même perdue au beau milieu d’un champ de bottes de foin…

Depuis 15 ans, l’innovation technologique en AML n’a apporté que des réponses partielles

Ces dernières années, un certain nombre de tâches liées à l'AML ont été simplifiées et automatisées. La technologie permet d’optimiser certains processus et/ou d’assister l'humain à travers des workflows d'analyse et de décision.

Toutefois, ces solutions restent imparfaites… ne couvrant qu'une partie des besoins de l'AML officer. Pour n’en citer que quelques-unes :

• Une veille règlementaire manuelle et non contextualisée :
• de nombreux abonnements de veille réglementaire sont disponibles, mais ils ne délivrent pas d’analyse précise des impacts d’une évolution réglementaire pour une institution donnée (et ce malgré leurs prix élevés). Résultat : les institutions doivent opérer elles-mêmes une double analyse : quels documents et éléments normatifs doivent être mis à jour et quels sont les impacts opérationnels d’une telle évolution (en termes de KYC, de supervision des transactions, de gouvernance, etc.) ?

Et donc… Quid de l’effectivité de la reprise de stock (continue…) au regard des évolutions du corpus normatif ?

• L’industrialisation du dispositif AML encore très fragmentée au sein d’une même institution :
• de nombreuses technologies ont vu le jour ces dernières années, permettant à des entreprises de plus en plus spécialisées d’offrir des fonctionnalités toujours plus en adéquation avec des besoins précis et/ou spécifiques des utilisateurs. Certaines entreprises recourent au Robot Processing Automation (RPA) qui offre la possibilité d'éviter les ressaisies entre les divers outils, réduisant ainsi le nombre de tâches répétitives, mais laissant néanmoins l'analyse AML fragmentée.

Cette surspécialisation n’aurait-elle pas, en contrepartie, engendré une course à la multiplication d’outils et de données qui font perdre l’absolue nécessité de centraliser les données afin de pouvoir le piloter dans sa globalité ?

• Des produits bien trop souvent qualifiables d’« OTC » :
• à savoir des produits dont les règles et le paramétrage sont standardisés et préformatés et pour lesquels le sur-mesure (nécessaires à l’implémentation des règles propres de l’institution) donne lieu soit à un setup spécifique (et donc facturé en sus) soit à l’intervention d’équipes internes du fournisseur (générant non seulement un décalage de déploiement de la norme mais aussi un risque de décorrélation entre la norme et la pratique). Or, la doctrine des régulateurs est claire : si les règles sont les mêmes pour tous, chaque institution doit déployer une approche par les risques qui dépend de divers éléments (caractéristiques de sa clientèle, de ses produits et services, de ses canaux de distribution, etc.). Chaque institution aura donc une gouvernance particulière, des process spécifiques, des normes qui lui sont propres, etc.

Aussi, parviennent-elles vraiment à dénicher la solution qui conjugue performance et flexibilité ?

Finalement, on se retrouve face à une montagne de données à analyser, une réglementation en constante évolution, des outils imparfaits et multiples (voire une absence d'outils dans certains cas) : de quoi donner des sueurs froides aux équipes Compliance, obligeant les AML officers à procéder par échantillonnage... pas étonnant alors, que seulement 0,2% de l'argent blanchi soit repéré et qu'ainsi, 99,8% passe au travers des mailles du filet.

Face aux drames humains qui se cachent derrière l’argent sale, on ne peut que souhaiter que la technologie vienne augmenter la capacité des équipes Compliance à repérer les clients et transactions douteux.

La technologie au secours de lutte contre le blanchiment

Si le RPA peut se poser comme une solution face à la répétitivité des tâches due à une utilisation de nombreux outils, il reste une réponse insuffisante face aux besoins liés à l'AML. Afin de lutter efficacement contre le blanchiment d'argent, une analyse de l'ensemble des signaux faibles, qu'ils relèvent de la connaissance client, du tiers, de la transaction... est nécessaire. Pour cela, la première étape serait d'automatiser le dispositif AML de bout en bout.

Utilisée de manière optimale, la technologie peut se substituer à l'humain pour répercuter les changements de réglementations sur l'ensemble des dossiers clients et des transactions dans votre dispositif. Tout cela en un rien de temps. Prenons l'exemple d'un pays qui fait son entrée en liste rouge : un système AML de bout en bout aura la capacité de flagger les personnes et les transactions qui deviennent suspectes mais aussi contrôler que la modification normative a effectivement été déployée sur l’ensemble de la chaîne opérationnelle. Grâce à un travail d'analyse et de pré-qualification des alertes, clients et transactions seront ainsi soumis à l'analyse de l'AML Officer de manière structurée, qualifiée et priorisée.

L’Advanced Machine Learning s’avère en réalité bien plus pertinent dans la lutte contre le blanchiment de capitaux et de financement du terrorisme. Il permet de compléter et améliorer les facteurs de risque, les signaux faibles et/ou les scénarii imaginés par les équipes Compliance grâce à l'apprentissage qu’il fait auprès de ces experts métiers (i.e. les AML officer) de l'analyse des alertes classées et des déclarations de soupçons opérées.

De même, face à l'imagination des criminels et terroristes et donc à la multiplicité des techniques et des scénarii possibles de blanchiment, l’Advanced Machine Learning, se révèlera particulièrement efficace pour repérer des comportements suspects à travers une multiplicité de signaux faibles, et ce, même en l'absence de tout scenario initialement anticipé.

Ainsi, l'ensemble des données pourront être analysées (fini l’échantillonnage !) et les AML officers pourront utiliser leur intelligence humaine pour un vrai travail d'analyse, de recoupement, de protection de la société et ainsi, redonner du sens à ce métier : être une fonction au support des équipes métiers.

Chez AML Factory, on se sert de ces technologies dans notre solution pour permettre à nos clients de détecter et signaler facilement tous les clients et transactions douteuses.