Фінансовий комплаєнс — щоденний потік вимог: AML-моніторинг, KYC оновлення, МСФЗ звітність, регуляторні запити ЦБ. Ручні процеси не масштабуються: штат комплаєнс-офіцерів зростає лінійно з обсягом операцій. Ми впроваджуємо AI, який обробляє 10x–100x операцій тією ж кількістю співробітників, знижуючи false positive rate та ризик людських помилок. Наш досвід — понад 50 RegTech-проєктів, гарантія SLA 99.9% для модулів звітності.
Які проблеми вирішує AI в комплаєнсі?
AML-моніторинг транзакцій. Базовий рівень — правила ЦБ (сумнівні ознаки згідно з Положенням 375-П): операції з готівкою >600 тис. руб., перекази фізичним особам у нерезидентні юрисдикції >50 тис. дол., транзитні схеми. ML-рівень — поведінкові аномалії з 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, # очікуємо ~2% аномалій n_estimators=200, random_state=42 ) self.scaler = StandardScaler() def build_entity_profile(self, entity_id, transactions_90d): """Профіль типової поведінки клієнта за 90 днів""" 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): """ Оцінка підозрілості транзакції: 1. Відхилення від профілю клієнта 2. Відхилення від профілю аналогічних клієнтів (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] # Конвертація в ймовірність (0→немає ризику, 1→високий ризик) risk_score = 1 / (1 + 10 ** (anomaly_score + 0.5)) return float(risk_score) Graph-based аналіз мереж: GNN (Graph Neural Network) виявляє схеми з грошима через 3–5 юросіб до кінцевого бенефіціара. NetworkX + PyG — вузли: рахунки, юрособи, фізособи; ребра: транзакції. GNN виявляє типові «клони» схем з історичних кейсів.
KYC / EDD автоматизація. OCR + CV: вилучення даних з паспорта (Tesseract + EasyOCR), face matching (ArcFace, 99.5%+ accuracy), liveness detection (3D depth map або blink challenge), санкційні списки OFAC, EU, РФ. Continuous KYC: NLP-сканування новин, зміна адреси/керівника → тригер переверифікації. Altman Z-score для фінансової деградації юрособи.
Чому ML кращий за правила для AML?
Правила дають 90–95% false positive rate — 19 з 20 флагів потребують ручної перевірки. ML з профілюванням знижує цей показник до 50–60%, а GNN з експертною надбудовою — до 30%. У підсумку комплаєнс-офіцери витрачають у 4–5 разів менше часу на хибні спрацьовування. При цьому ми використовуємо MLOps: Weights & Biases для трекінгу експериментів, MLflow для версіонування моделей та автоматичний моніторинг дрейфу даних.
Як ми знижуємо false positive rate?
Головна проблема наївних правил — 95%+ хибних спрацьовувань. ML знижує FPR до 60–70% при тому ж recall за рахунок контекстуалізації: та сама операція у різних клієнтів — різний ризик; peer group comparison; історичний зворотний зв'язок по закритих кейсах «не є підозрілим». В сукупності це дає 4-5x скорочення ручної роботи комплаєнс-офіцерів.
| Підхід | False Positive Rate | Необхідний обсяг даних | Складність впровадження |
|---|---|---|---|
| Правила ЦБ | 90–95% | Низький | Низька |
| Статистичні моделі | 70–80% | Середній | Середня |
| ML з профілюванням | 50–60% | Високий | Висока |
| GNN + експертні правила | 30–50% | Дуже високий | Дуже висока |
Приклад оцінки моделі: після навчання модель зберігається в model card разом з метриками precision/recall на тестових даних та аудиторським слідом.
Регуляторна звітність
Автоматизація форм ЦБ.
| Форма | Частота | Автоматизація |
|---|---|---|
| ФінМон 4936-У (ПФР) | Щоденно | Повна |
| ОБДУЛ (вигодонабувачі) | По події | 80% |
| 802-П (розрахунок достатності капіталу) | Щомісячно | 70% |
| МСФЗ-звітність | Квартально | 60% |
МСФЗ 9 — Expected Credit Loss. ML-модель PD (Probability of Default) на LightGBM: логістична регресія за фінансовими показниками позичальника, stageing (Stage 1/2/3), forward-looking adjustment з макроекономічними сценаріями.
Автоматизація перевірки операцій за 115-ФЗ
Повний цикл обробки підозрілих операцій:
- Система флагує транзакцію (ML score > 0.7 або правило)
- NLP auto-summary: «Операція клієнта X: переказ $22k–31k. на користь ТОВ Y (зареєстровано 3 місяці тому), нетиповий контрагент, перевищення звичайного обороту в 5x»
- Комплаєнс-офіцер: Accept/Reject/Request info (з AI-чернеткою запиту)
- При підтвердженні: автоматичне формування ФЕС/ФСР для Росфінмоніторингу
- Збереження документації для перевірок ЦБ
Що входить в роботу
- Аудит поточних compliance-процесів та джерел даних
- Проектування архітектури AI-системи (з урахуванням MLOps та масштабування)
- Розробка та навчання ML-моделей (AML, KYC, ECL) з model cards
- Інтеграція з core banking / CRM через REST API
- Тестування на історичних даних, A/B тест в паралельному режимі
- Розгортання на інфраструктурі клієнта (on-premise або хмара)
- Навчання команди: 2–3 воркшопи, документація, інструкції
- Гарантійна підтримка 6 місяців, SLA для звітних модулів 99.9%
Термін розробки: 5–9 місяців для комплексної RegTech платформи з AML, KYC та автоматичною звітністю. Оцінка проєкту безкоштовно після заповнення брифу. Отримайте консультацію інженера RegTech. Зв'яжіться з нами для деталей.