Представьте: 800 новых клиентов в день, каждый требует верификации документов, скрининга и мониторинга. При ручной обработке — 12 человек, 2 рабочих дня ожидания. А регулятор требует объяснимости каждого решения. Мы решаем это AI-пайплайном: от onboarding до автоматического выявления подозрительных схем. При объёме от тысячи клиентов в день автоматизация неизбежна.
Почему AI эффективнее ручных проверок?
Ручная проверка одного клиента — 15–20 минут. При 800 новых клиентах в день требуется команда из 12 человек, а задержки достигают 2 рабочих дней. Наше AI-решение обрабатывает 73% клиентов за 3–5 минут в автоматическом режиме, а ещё 22% — с подготовленным summary для аналитика (экономия времени аналитика: 70%). ML-детектор находит AML-кейсы, которые правила пропускают — мы выявили 3 реальных случая, незамеченных rule-based системой.
Компоненты AI KYC/AML системы:
- Document verification: OCR + Computer Vision для паспортов, ВУ, СНИЛС, загранпаспортов. Extraction полей + проверка целостности документа (MRZ, голограммы, шрифты). Провайдеры: AWS Textract, Azure Document Intelligence, или собственная модель на базе TrOCR.
- Identity matching: Сравнение фото в документе с селфи: face verification с порогом cosine similarity > 0.85 на эмбеддингах ArcFace/FaceNet. Liveness detection обязателен — без него KYC уязвим для атак с фото.
- Sanctions & PEP screening: Автоматическая проверка по санкционным спискам. Fuzzy matching обязателен: Levenshtein distance + phonetic алгоритмы (Soundex, Double Metaphone) для русских/арабских имён.
- Enhanced Due Diligence (EDD): Для высокорисковых клиентов — автоматический сбор из открытых источников: новостной мониторинг, корпоративные реестры, судебные базы. NLP для классификации тональности упоминаний.
Как работает AML-мониторинг транзакций?
Две задачи: rule-based alerting (обязательные по регуляторным требованиям) и ML anomaly detection (ловит то, что правила не предусмотрели). Обязательные правила (Федеральный закон №115-ФЗ, Положение ЦБ РФ 375-П) — операции >$5.4k–7.8k., операции с наличными, высокорисковые юрисдикции — это compliance, мы их не заменяем ML.
ML-слой работает поверх: выявляет структурирование (дробление сумм чуть ниже порога), unusual velocity, round-trip схемы, insider trading паттерны.
Graph-based AML — наиболее эффективный подход для выявления money laundering rings:
Пример построения транзакционного графа
# Пример построения транзакционного графа G = nx.DiGraph() for txn in transactions: G.add_edge(txn.sender_id, txn.receiver_id, amount=txn.amount, timestamp=txn.timestamp) # Выявление циклов (layering patterns) cycles = list(nx.simple_cycles(G)) suspicious_cycles = [c for c in cycles if len(c) <= 5] # Community detection для выявления closed groups communities = nx.algorithms.community.greedy_modularity_communities(G) GraphSAGE на транзакционном графе обнаруживает coordinated laundering networks с precision 0.78, recall 0.82 на тестовых данных — это в 1.5 раза точнее tabular моделей (precision 0.61, recall 0.69).
| Параметр | Rule-based | ML-based |
|---|---|---|
| Precision | 0.12 | 0.61 |
| Recall | 0.45 | 0.82 |
| False positive rate | 94% | 61% |
Как обеспечивается explainability для регулятора?
ЦБ РФ и Росфинмониторинг требуют обоснования подозрительных операций при подаче СФТ. Система генерирует читаемый текстовый отчёт, а не просто score. Используем SHAP для tabular модели: «транзакция помечена как подозрительная из-за: нетипичная сумма (+3.2σ), новая юрисдикция (Кипр, первый раз за 2 года), velocity превышает норму в 12x». LLM-синтез отчёта по SHAP-объяснению + контексту транзакции — compliance-документ без ручной работы аналитика.
Результаты внедрения AI KYC/AML
Наш клиент — банк, onboarding 800 новых клиентов в день (физлица и ИП). Ручной KYC: 15–20 минут на клиента, команда из 12 человек. Задержки до 2 рабочих дней.
После внедрения:
- 73% клиентов проходят automated fast track за 3–5 минут
- 22% — дополнительные проверки с AI-подготовленным summary (экономия времени аналитика: 70%)
- 5% — manual review (сложные случаи)
- Среднее время onboarding: 7 минут vs. 2 рабочих дня
- False positive rate по AML алертам снизился с 94% до 61%
- 3 реальных AML-кейса выявлены ML-детектором
| Параметр | До внедрения | После внедрения |
|---|---|---|
| Время onboarding | до 2 рабочих дней | 7 минут |
| Доля ручной проверки | 100% | 5% |
| False positive rate AML | 94% | 61% |
| Выявленные AML-кейсы | 0 | 3 |
Экономия на операционных расходах достигает существенной суммы в год при объёме 800 клиентов в день. Снижение потерь от мошенничества — значительное за счёт раннего выявления AML-кейсов. Система соответствует рекомендациям FATF и российским регуляторам.
Что входит в работу и сроки?
Процесс внедрения разбит на этапы: аудит текущих процессов (1–2 недели), проектирование архитектуры (1–2 недели), разработка и обучение моделей (4–8 недель), интеграция и тестирование (2–4 недели), документация и обучение compliance-отдела (1–2 недели), а также 6 месяцев гарантийной поддержки с дообучением при изменении регуляторики.
Сроки ориентировочно: от 8 недель для базовой версии до 8 месяцев для комплексного решения с граф-анализом и auto-reporting. Стоимость рассчитывается индивидуально под ваш объём данных и требования.
Получите консультацию и оценку вашего проекта за 1 день — свяжитесь с нами. Объясним каждое решение для регулятора на всех этапах внедрения. Свяжитесь для демонстрации прототипа на ваших данных.