Уявіть: 800 нових клієнтів на день, кожен вимагає верифікації документів, скринінгу та моніторингу. При ручній обробці — 12 осіб, 2 робочі дні очікування. А регулятор вимагає пояснюваності кожного рішення. Ми вирішуємо це AI-пайплайном: від onboarding до автоматичного виявлення підозрілих схем. При обсязі від тисячі клієнтів на день автоматизація неминуча.
Чому AI ефективніший за ручні перевірки?
Ручна перевірка одного клієнта — 15–20 хвилин. При 800 нових клієнтах на день потрібна команда з 12 осіб, а затримки сягають 2 робочих днів. Наше AI-рішення обробляє 73% клієнтів за 3–5 хвилин в автоматичному режимі, а ще 22% — з підготовленим summary для аналітика (економія часу аналітика: 70%). ML-детектор знаходить AML-кейси, які правила пропускають — ми виявили 3 реальні випадки, непомічені rule-based системою.
Компоненти AI KYC/AML системи:
- Document verification: OCR + Computer Vision для паспортів, ВУ, СНІЛС, закордонних паспортів. Extraction полів + перевірка цілісності документа (MRZ, голограми, шрифти). Провайдери: AWS Textract, Azure Document Intelligence, або власна модель на базі TrOCR.
- Identity matching: Порівняння фото в документі з селфі: face verification з порогом cosine similarity > 0.85 на ембендінгах ArcFace/FaceNet. Liveness detection обов'язковий — без нього KYC вразливий для атак з фото.
- Sanctions & PEP screening: Автоматична перевірка за санкційними списками. Fuzzy matching обов'язковий: Levenshtein distance + фонетичні алгоритми (Soundex, Double Metaphone) для російських/арабських імен.
- Enhanced Due Diligence (EDD): Для високоризикових клієнтів — автоматичний збір з відкритих джерел: новинний моніторинг, корпоративні реєстри, судові бази. NLP для класифікації тональності згадок.
Як працює AML-моніторинг транзакцій?
Два завдання: rule-based alerting (обов'язкові за регуляторними вимогами) та ML anomaly detection (ловить те, що правила не передбачили). Обов'язкові правила (Федеральний закон №115-ФЗ, Положення ЦБ РФ 375-П) — операції з великими сумами, операції з готівкою, високоризикові юрисдикції — це compliance, ми їх не замінюємо ML.
ML-шар працює поверх: виявляє структурування (дроблення сум трохи нижче порогу), unusual velocity, round-trip схеми, insider trading патерни.
Graph-based AML — найефективніший підхід для виявлення money laundering rings:
Приклад побудови транзакційного графа
# Приклад побудови транзакційного графа G = nx.DiGraph() for txn in transactions: G.add_edge(txn.sender_id, txn.receiver_id, amount=txn.amount, timestamp=txn.timestamp) # Виявлення циклів (layering patterns) cycles = list(nx.simple_cycles(G)) suspicious_cycles = [c for c in cycles if len(c) <= 5] # Community detection для виявлення closed groups communities = nx.algorithms.community.greedy_modularity_communities(G) GraphSAGE на транзакційному графі виявляє coordinated laundering networks з precision 0.78, recall 0.82 на тестових даних — це в 1.5 рази точніше за tabular моделі (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% |
Як забезпечується explainability для регулятора?
ЦБ РФ та Росфінмоніторинг вимагають обґрунтування підозрілих операцій при поданні СФТ. Система генерує читабельний текстовий звіт, а не просто score. Використовуємо SHAP для tabular моделі: «транзакція позначена як підозріла через: нетипова сума (+3.2σ), нова юрисдикція (Кіпр, вперше за 2 роки), velocity перевищує норму в 12x». LLM-синтез звіту по SHAP-поясненню + контексту транзакції — compliance-документ без ручної роботи аналітика.
Результати впровадження AI KYC/AML
Наш клієнт — банк, onboarding 800 нових клієнтів на день (фізособи та ФОП). Ручний KYC: 15–20 хвилин на клієнта, команда з 12 осіб. Затримки до 2 робочих днів.
Після впровадження:
- 73% клієнтів проходять automated fast track за 3–5 хвилин
- 22% — додаткові перевірки з AI-підготовленим summary (економія часу аналітика: 70%)
- 5% — manual review (складні випадки)
- Середній час onboarding: 7 хвилин vs. 2 робочі дні
- False positive rate по AML алертах знизився з 94% до 61%
- 3 реальні AML-кейси виявлено ML-детектором
| Параметр | До впровадження | Після впровадження |
|---|---|---|
| Час onboarding | до 2 робочих днів | 7 хвилин |
| Частка ручної перевірки | 100% | 5% |
| False positive rate AML | 94% | 61% |
| Виявлені AML-кейси | 0 | 3 |
Економія на операційних витратах сягає суттєвої суми на рік при обсязі 800 клієнтів на день. Зниження втрат від шахрайства — значне за рахунок раннього виявлення AML-кейсів. Система відповідає рекомендаціям FATF та російським регуляторам.
Що входить в роботу та терміни?
Процес впровадження розбитий на етапи: аудит поточних процесів (1–2 тижні), проектування архітектури (1–2 тижні), розробка та навчання моделей (4–8 тижнів), інтеграція та тестування (2–4 тижні), документація та навчання compliance-відділу (1–2 тижні), а також 6 місяців гарантійної підтримки з донавчанням при зміні регуляторики.
Терміни орієнтовно: від 8 тижнів для базової версії до 8 місяців для комплексного рішення з граф-аналізом та auto-reporting. Вартість розраховується індивідуально під ваш обсяг даних та вимоги.
Отримайте консультацію та оцінку вашого проекту за 1 день — зв'яжіться з нами. Пояснимо кожне рішення для регулятора на всіх етапах впровадження. Зв'яжіться для демонстрації прототипу на ваших даних.