Les régulateurs financiers européens continuent d'infliger de lourdes amendes aux banques pour non-respect des réglementations relatives à la connaissance du client (KYC) et à la lutte contre le blanchiment d'argent (AML). Fin 2021, la Financial Conduct Authority (FCA) a infligé à deux des plus grandes banques britanniques, HSBC et NatWest, des amendes d'un montant total de 328,95 millions de livres (environ 386 millions d’euros) pour des manquements dans leurs processus de blanchiment d'argent.

Tandis que des membres du Parlement européen demandent que les crypto-monnaies soient régies par l'Autorité de lutte contre le blanchiment d'argent de la Commission européenne, certaines organisations illicites continuent de trouver de nouvelles méthodes pour blanchir de l'argent, c’est-à-dire en cacher la source illégale, en tirant parti du système financier par des transferts et des transactions multiples et parfois complexes.

Les avancées technologiques dans des domaines tels que la banque numérique, l'ouverture de comptes en ligne, l'open banking et les crypto-monnaies ont rendu le suivi de la source des fonds et la découverte de schémas et de comportements suspects beaucoup plus gourmands en ressources pour les institutions financières et leurs régulateurs. Les méthodes traditionnelles d'automatisation ne sont pas en mesure de suivre les méthodes de plus en plus sophistiquées par lesquelles les organisations criminelles abusent du système financier.

L'intelligence artificielle (IA), système informatique capable d'effectuer des tâches de manière autonome, en ingérant et en analysant d'énormes volumes de données dont elle tire des modèles, est l'un des outils de lutte contre le blanchiment d'argent dont disposent les banquiers et les régulateurs les plus prometteurs.

Les outils d'IA se concentrent principalement sur le développement de systèmes capables d'effectuer des tâches qui, autrement, nécessiteraient l'intelligence humaine, mais à des vitesses dépassant les capacités de tout individu ou groupe. Les institutions financières utilisent l'IA dans l'ensemble de leurs activités pour alimenter des applications allant de la gestion des risques pour les marchés de capitaux aux assistants virtuels pour l'assistance à la clientèle dans le domaine du crédit à la consommation.

Pourquoi l'IA est-elle un outil de lutte contre le blanchiment d'argent si efficace ?

Premièrement, les modèles et algorithmes d'IA peuvent consommer et synthétiser des volumes massifs de données. Ces données ne se limitent pas aux types traditionnels de données tabulaires (c'est-à-dire les registres de transactions), mais peuvent également inclure des données non structurées (c'est-à-dire des données audio, vidéo et géospatiales). En outre, l'IA peut ingérer les données et agir sur elles en temps quasi réel, ce qui permet aux autorités de rester en phase avec les mouvements des acteurs suspects plutôt que d’accumuler des jours ou des semaines de retard dans leur suivi.

Les modèles d'IA sont conçus pour détecter les anomalies dans les modèles de données qu'ils ingèrent en notant ces comportements par rapport aux points de référence attendus, de sorte que les responsables de la conformité bancaire sont alertés lorsque des interactions potentiellement néfastes peuvent se produire. Les enquêtes liées à ces alertes sont souvent menées par le personnel chargé de la conformité au sein des banques, et sont longues et coûteuses.

Les méthodes traditionnelles basées sur des règles - une technique courante avant l'avènement de l'IA moderne - ont un taux élevé de faux positifs, constituant la perte d’un temps précieux pour les enquêteurs.

Des graphes de connaissances pour transformer la détection des fraudes

Les grandes banques utilisent donc des techniques d'apprentissage profond de l'IA telles que les GAN (réseaux adversatifs génératifs) et les GNN (réseaux neuronaux à graphes). Si l'on dispose d'un nombre suffisant de données historiques sur les transactions financières, les approches fondées sur l'apprentissage profond sont plus efficaces que les approches fondées sur des règles pour la comparaison de modèles. Les GAN peuvent en effet généraliser à partir des données d'apprentissage pour identifier des schémas dans les transactions qui sont indicatifs de blanchiment d'argent. En d'autres termes, après avoir vu certains schémas dans des situations réelles, les réseaux neuronaux profonds (DNN) correspondants peuvent généraliser à partir des exemples pour identifier des schémas similaires et modifiés qui pourraient contourner les règles statiques, mais qui sont suffisamment similaires à l'ancien schéma pour être détectés par le DNN. Il est donc plus difficile pour les criminels d'éviter la détection. Ils ne pourront plus apporter de petites modifications à la manière dont ils blanchissent leur argent pour contourner un ensemble de règles relativement statiques.

Outre les GAN, les GNN sont une autre technique de DNN qui permet aux enquêteurs de repérer un comportement potentiel de blanchiment d'argent. Le concept consiste à construire un graphe hétérogène à partir de données tabulaires et à entraîner un modèle GNN pour détecter les transactions suspectes et les activités de blanchiment complexes, car les criminels travaillent en collaboration au sein de groupes pour dissimuler leurs caractéristiques anormales mais laissent des traces de relations.

Les relations identifiées par les modèles basés sur le GNN sont essentielles, car l'IA peut identifier des relations non identifiées auparavant entre les entités. Grâce aux avantages de la capture des relations, les GNN sont plus à même de détecter les activités de blanchiment collaboratif que les modèles traditionnels.
L'impact positif de l'IA sur les opérations AML d'une banque a été prouvé par une récente collaboration entre Swedbank, Hopsworks et NVIDIA. En formant des GAN dans le cadre de la stratégie de prévention de la fraude et du blanchiment d'argent, Swedbank a pu réduire ses faux positifs de 99 % par rapport aux systèmes existants basés sur des règles, et créer une augmentation estimée de l'efficacité pour les enquêteurs (temps d'enquête) de plus de 50 % en cinq ans.

Outre l'exploitation de l'IA pour l'ingestion et l'analyse des données au sein de l'entreprise, les techniques d'apprentissage fédéré permettront d'améliorer le partage des données entre les départements, les juridictions et les entreprises en raison de sa capacité à maintenir la conformité avec les réglementations relatives à la souveraineté des données et à la confidentialité.

Le plus grand volume de données disponibles pour l'analyse par les modèles d'IA améliorera considérablement la précision des modèles et rendra encore plus difficile pour les tentatives de blanchiment d’argent. En outre, les technologies d'IA telles que l'automatisation des processus robotisés et la reconnaissance optique de caractères faciliteront l'analyse des documents par les enquêteurs, ce qui permettra de gagner en efficacité et de réduire les taux d'erreur tout au long du processus.