
 ;Dernières nouvelles
Ces dernières années, nous avons assisté à une prolifération de lois et de réglementations européennes dans les domaines de la banque et de l’assurance, qui ont attiré l’attention sur la lutte contre le blanchiment de capitaux et poussé les intermédiaires financiers à renforcer progressivement leurs structures d’organisation et de contrôle. Le Groupe d’action financière lui-même (Fatf-Gafi, une organisation intergouvernementale fondée en 1989 à l’initiative du G7 pour développer des politiques de lutte contre le blanchiment d’argent) souligne l’importance de l’analyse des big data grâce à l’intelligence artificielle et à des solutions technologiques basées sur l’apprentissage automatique et d’autres technologies fondées sur l’IA.
L’utilisation d’outils d’analyse de données s’impose également parmi les Autorités de lutte contre le blanchiment de capitaux, à la fois en tant qu’autorités de surveillance et en tant que Cellules de renseignement financier, ces organismes ont recours à des outils qui augmentent leur capacité à détecter des réseaux de transactions interconnectées, à identifier des comportements anormaux et, en général, à transformer d’importantes quantités de données, structurées et non structurées, en informations utiles à un niveau opérationnel. La complexité du scénario est amplifiée par de nouveaux produits (par exemple, les crypto-monnaies) et de nouveaux canaux de vente numériques.L’apprentissage automatique est principalement utilisé pour détecter les transactions suspectes qui se produisent selon des modèles connus et de nouveaux modèles apparemment cachés, pour automatiser la collecte de données “non structurées”, même externes, et pour améliorer la segmentation de la clientèle en identifiant les comportements anormaux des clients par rapport à leur norme.
Des contrôles plus rapides et plus ciblés grâce à l’IA
En appliquant des critères de classification intelligents, la segmentation devient encore plus efficace : le système de surveillance est activé non seulement lorsque certains seuils sont dépassés, mais il gère également les informations traitées par des algorithmes dynamiques qui définissent différents seuils de risque en fonction du type de groupe de sujets identifié. Des algorithmes encore plus sophistiqués permettent à l’opérateur de donner la priorité à l’évaluation des alertes qui ont un degré de probabilité plus élevé d’être réellement liées à une transaction suspecte.
Le contrôle anti-blanchiment utilise de nouveaux outils basés sur l’IA ou d’autres technologies innovantes pour vérifier, par exemple, la présence de sujets sur des listes sensibles (sanctionnés, terroristes, personnes politiquement exposées, criminels, etc.) ou pour activer des processus de surveillance continue des transactions suspectes. Les modèles déterministes permettant de calculer le profil de risque en pondérant le risque subjectif et le risque objectif comptent parmi les outils innovants les plus pertinents pour soutenir l’analyse AML. Le risque subjectif est obtenu en analysant les caractéristiques du sujet (profession, code Ateco de l’entreprise, présence sur des listes de surveillance, fonctions politiques, etc.) Le risque objectif, quant à lui, est basé sur l’analyse des opérations du client, classées dans différentes macro-zones et calculées sur un large éventail de facteurs de risque.
Il y a aussi les moteurs Mtm, Transaction Monitoring, intégrés à des logiques d’IA qui réduisent les éventuels faux positifs émergeant des premières analyses. Il y a l’analyse de réseau, qui permet de visualiser graphiquement, de manière claire et immédiate, les relations entre les sujets, en analysant l’activité des clients et en faisant appel à des sources externes pour récupérer d’autres informations (par exemple, les participations dans des sociétés).
En résumé, les nouvelles technologies accélèrent les temps d’analyse, permettent une identification précise et ponctuelle des phénomènes à risque de blanchiment d’argent, en réduisant les faux positifs et en mettant en évidence même les phénomènes complexes difficiles à détecter, apportent des avantages importants en termes d’efficacité et d’efficience et optimisent les processus internes des parties impliquées dans les transactions financières. ()
*Directeur général Corvallis (Groupe Tinexta)
Christian Grolier est un rédacteur sport très passionné. Écrire à propos des sports qu‘il adore et partager ses informations avec les lecteurs lui procure une immense satisfaction. En dehors de son travail, il s‘adonne à de nombreuses activités sportives. Il fait de la randonnée, du vélo et de la natation. Il est également un grand fan de football. Christian a également un grand intérêt pour le tennis et les jeux vidéo sportifs.
