Финансовый compliance — ежедневный поток требований: AML-мониторинг, KYC обновление, МСФО отчётность, регуляторные запросы ЦБ. Ручные процессы не масштабируются: штат комплаенс-офицеров растёт линейно с объёмом операций. Мы внедряем AI, который обрабатывает 10x–100x операций тем же числом сотрудников, снижая false positive rate и риск человеческих ошибок. Наш опыт — более 50 RegTech-проектов, гарантия SLA 99.9% для модулей отчётности.
Какие проблемы решает AI в compliance?
AML-мониторинг транзакций. Базовый уровень — правила ЦБ (сомнительные признаки по Положению 375-П): операции с наличными >600 тыс. руб., переводы физлицам в нерезидентные юрисдикции >50 тыс. долл., транзитные схемы. ML-уровень — поведенческие аномалии с Isolation Forest:
from sklearn.ensemble import IsolationForest from sklearn.preprocessing import StandardScaler import pandas as pd class AMLTransactionMonitor: def __init__(self): self.isolation_forest = IsolationForest( contamination=0.02, # ожидаем ~2% аномалий n_estimators=200, random_state=42 ) self.scaler = StandardScaler() def build_entity_profile(self, entity_id, transactions_90d): """Профиль типичного поведения клиента за 90 дней""" return { 'avg_daily_volume': transactions_90d['amount'].sum() / 90, 'avg_transaction_size': transactions_90d['amount'].mean(), 'top_counterparties': transactions_90d['counterparty'].value_counts().index[:5].tolist(), 'typical_hours': transactions_90d['hour'].value_counts().index[:3].tolist(), 'typical_countries': transactions_90d['country'].value_counts().index[:3].tolist(), 'velocity_std': transactions_90d.resample('D')['amount'].sum().std() } def score_transaction(self, transaction, entity_profile, peer_profiles): """ Оценка подозрительности транзакции: 1. Отклонение от профиля клиента 2. Отклонение от профиля аналогичных клиентов (peer group) """ features = self._extract_features(transaction, entity_profile, peer_profiles) X = self.scaler.transform(features.reshape(1, -1)) anomaly_score = self.isolation_forest.score_samples(X)[0] # Конвертация в вероятность (0→нет риска, 1→высокий риск) risk_score = 1 / (1 + 10 ** (anomaly_score + 0.5)) return float(risk_score) Graph-based анализ сетей: GNN (Graph Neural Network) выявляет схемы с деньгами через 3–5 юрлиц к конечному бенефициару. NetworkX + PyG — узлы: счета, юрлица, физлица; рёбра: транзакции. GNN обнаруживает типичные «клоны» схем из исторических кейсов.
KYC / EDD автоматизация. OCR + CV: извлечение данных из паспорта (Tesseract + EasyOCR), face matching (ArcFace, 99.5%+ accuracy), liveness detection (3D depth map или blink challenge), санкционные списки OFAC, EU, РФ. Continuous KYC: NLP-сканирование новостей, изменение адреса/руководителя → триггер переверификации. Altman Z-score для финансовой деградации юрлица.
Почему ML лучше правил для AML?
Правила дают 90–95% false positive rate — 19 из 20 флагов требуют ручной проверки. ML с профилированием снижает этот показатель до 50–60%, а GNN с экспертной надстройкой — до 30%. В итоге комплаенс-офицеры тратят в 4–5 раз меньше времени на ложные срабатывания. При этом мы используем MLOps: Weights & Biases для трекинга экспериментов, MLflow для версионирования моделей и автоматический мониторинг дрейфа данных.
Как мы снижаем false positive rate?
Главная проблема наивных правил — 95%+ ложных срабатываний. ML снижает FPR до 60–70% при том же recall за счёт контекстуализации: та же операция у разных клиентов — разный риск; peer group comparison; историческая обратная связь по закрытым кейсам «не является подозрительным». В совокупности это даёт 4-5x сокращение ручной работы комплаенс-офицеров.
| Подход | False Positive Rate | Требуемый объём данных | Сложность внедрения |
|---|---|---|---|
| Правила ЦБ | 90–95% | Низкий | Низкая |
| Статистические модели | 70–80% | Средний | Средняя |
| ML с профилированием | 50–60% | Высокий | Высокая |
| GNN + экспертные правила | 30–50% | Очень высокий | Очень высокая |
Пример оценки модели: после обучения модель сохраняется в model card вместе с метриками precision/recall на тестовых данных и аудиторским следом.
Регуляторная отчётность
Автоматизация форм ЦБ.
| Форма | Частота | Автоматизация |
|---|---|---|
| ФинМон 4936-У (ПФР) | Ежедневно | Полная |
| ОБДУЛ (странение выгодоприобретатели) | По событию | 80% |
| 802-П (расчёт достаточности капитала) | Ежемесячно | 70% |
| МСФО-отчётность | Квартально | 60% |
МСФО 9 — Expected Credit Loss. ML-модель PD (Probability of Default) на LightGBM: логистическая регрессия по финансовым показателям заёмщика, stageing (Stage 1/2/3), forward-looking adjustment с макроэкономическими сценариями.
Автоматизация проверки операций по 115-ФЗ
Полный цикл обработки подозрительных операций:
- Система флагирует транзакцию (ML score > 0.7 или правило)
- NLP auto-summary: «Операция клиента X: перевод $22k–31k. в пользу ООО Y (зарегистрировано 3 месяца назад), нетипичный контрагент, превышение обычного оборота в 5x»
- Комплаенс-офицер: Accept/Reject/Request info (с AI-черновиком запроса)
- При подтверждении: автоматическое формирование ФЭС/ФСР для Росфинмониторинга
- Сохранение документации для проверок ЦБ
Что входит в работу
- Аудит текущих compliance-процессов и источников данных
- Проектирование архитектуры AI-системы (с учётом MLOps и масштабирования)
- Разработка и обучение ML-моделей (AML, KYC, ECL) с model cards
- Интеграция с core banking / CRM через REST API
- Тестирование на исторических данных, A/B тест в параллельном режиме
- Развёртывание на инфраструктуре клиента (on-premise или облако)
- Обучение команды: 2–3 воркшопа, документация, инструкции
- Гарантийная поддержка 6 месяцев, SLA для отчётных модулей 99.9%
Срок разработки: 5–9 месяцев для комплексной RegTech платформы с AML, KYC и автоматической отчётностью. Оценка проекта бесплатно после заполнения брифа. Получите консультацию инженера RegTech. Свяжитесь с нами для деталей.