Мөнгө угаах гэмт хэрэгтэй тэмцэхэд хиймэл оюун ухаан нөлөөлж чадах уу?

Авлигатай тэмцэхэд, ялангуяа томоохон хэмжээний авлигатай тэмцэхэд сэжигтэй гүйлгээг үр дүнтэй бөгөөд зөв тодорхойлж чадах мөнгө угаах гэмт хэрэгтэй тэмцэх үр дүнтэй систем шаардлагатай байдаг. Сэжигтэй гүйлгээг тодорхойлох, тайлагнах үүрэгтэй санхүүгийн байгууллагууд улаан тэмдэглэгээ бүхий гүйлгээнүүдийг (гүйлгээний дүн, байршил, үйлчлүүлэгчийн ердийн үйл ажиллагаанаас хазайсан шинжтэй) тодорхойлох автоматжуулсан системийг ашигладаг бөгөөд уг автоматжуулсан систем нь тухайн гүйлгээг улаан тэмдэглэгээ бүхий гүйлгээ гэдгийг автоматаар тодорхойлж, цаашид нарийвчлан шалгах нөхцөлийг бий болгодог. Гэвч өдөр бүр хийгдэж буй санхүүгийн гүйлгээний хэмжээ, нарийн төвөгтэй байдал болон улаан тэмдэглэгээ бүхий гүйлгээнээс зайлсхийхийн тулд улс төрийн бүлэглэлүүд, гэмт бүлэглэлүүд болон бусад хүмүүсийн хууль бус үйл ажиллагаагаа далдлах арга улам нарийсаж, боловсронгуй болж байгаа нь үнэхээр сэжигтэй гүйлгээг тодорхойлоход туйлын хэцүү болгож байна. Ухаалаг системийг хөгжүүлэгчид ч гэсэн боломжит бүх улаан тэмдэглэгээ бүхий гүйлгээг автоматжуулсан системээр таньж чадна гэж найдахгүй байна.

Гэмт этгээдүүдээс нэг алхам түрүүлж алхахын тулд мэдээлэл боловсруулах технологийн шинэ дэвшил нь сэжигтэй гүйлгээг үр дүнтэй илрүүлэх системийг бий болгоход хэрхэн тусалж чадах талаар илүү сонирхох болсон. Технологи сонирхогчид мөнгө угаах гэмт хэрэгтэй тэмцэх үйл ажиллагааны хүрээнд хиймэл оюун ухааныг гүнзгийрүүлэн судлах, “Machine learning”-ийн (ML) хүрээнд багтдаг сонгодог алгоритмуудыг ашиглахыг хүсэж байна. ML болон хиймэл оюун ухаан нь тодорхой цогц өгөгдлөөс хэв маягийг тодорхойлж, ямар өгөгдлийн хэв шинж нь аль ангилалд холбогдохыг суралцдаг систем юм. И-мэйлийн спам шүүлтүүр бол үүний энгийн жишээ юм. Ангилал гэж нэрлэгддэг процессыг явуулахын тулд спам шүүлтүүр нь оролтын хувьсагчдыг спам болон спам биш гэсэн 2 ангилалд ангилдаг. Энэ нь и-мэйлийг хувийн шинж чанарт (илгээж буй хүн, үндсэн текст гэх мэт) нь тулгуурлан ангилж байгаа процесс юм. Мөнгө угаах гэмт хэрэгтэй тэмцэх хүрээнд санхүүгийн гүйлгээний талаарх өгөгдлөөр алгоритмуудыг сургаж, уг систем нь улаан тэмдэглэгээ байхгүй тохиолдолд сэжигтэй гүйлгээг олж илрүүлэх системд “суралцах” юм. ML болон хиймэл оюун ухаан системийг “хуурамч эерэг” (сэжигтэй гэж тэмдэглэгдсэн гүйлгээнүүдийг шалгаж үзэхэд ямар нэгэн асуудалгүй байх магадлалтай – бүх тэмдэглэгдсэн гүйлгээний 99%), мөн хүний олж чадаагүй залилангийн шинжтэй “хуурамч сөрөг” гүйлгээнүүдийг шүүж гаргахад аль алинд нь ашиглаж болно. Үнэндээ салбарын мэргэжилтнүүд хиймэл оюун ухаан нь зардлыг бууруулж, нарийвчлалыг сайжруулна гэдэгт маш их итгэлтэй байдаг бөгөөд хиймэл оюун ухаан нь мөнгө угаах гэмт хэрэгтэй тэмцэхэд үр дүнтэй түлхүүр байх болно хэмээн баталж, банкнуудыг мөнгө угаах гэмт хэрэгтэй тэмцэх шинэ зэвсгийг атгах ёстой гэж уриалдаг.

Хиймэл оюун ухааны хэрэгслээр одоо ашиглагдаж буй автоматжуулсан системийг сайжруулж чадвал нэг алхам урагшлах юм. Гэвч ML болон хиймэл оюун ухааны системийн мөнгө угаах гэмт хэрэгтэй тэмцэхэд чиглэсэн загвар нь зарим бэрхшээлүүдийг бий болгодог.

• Нэгдүгээрт, ML загварууд нь дор хаяж бодит утгыг мэддэг өгөгдлүүдийг шаарддаг. Спам шүүлтүүрийн жишээнээс харахад, ML загварыг спам болон спам биш гэсэн өгөгдлүүдээр сургаж болох бөгөөд ингэснээр машин өөрөө шинж чанаруудаас хамаарч спам болон спам биш и-мэйл гэдгийг мэдэж болно. Хэрэв загвар нь шалгагддаггүй бол машин ямар нэгэн ангилагдаагүй өгөгдлийг цуглуулж, янз бүрийн буруу зөрүү гүйлгээнүүдийг хамтад нь гаргаж дараагийн шатны хяналтад өгнө. Судлаачид ML загвараар тодорхойлогдсон сэжигтэй гүйлгээ нь мөнгө угаах тохиолдлыг бодитоор илрүүлсэн эсэхийг тодорхойлох боломжтой байх шаардлагатай юм. Товчхондоо мөнгө угаах магадлалтай гүйлгээг тодорхойлох загварыг сургахын тулд загварыг “мөнгө угаасан”, “мөнгө угаагаагүй” гэсэн ангилалд багтаасан томоохон гүйлгээнүүдээр сургасан байх ёстой. Өгөгдлийг зөв ангилж чадахгүй бол судлаачид загвараа сайн сургаж чадахгүй байх, эсвэл үр дүнг нь шалгаж чадахгүй байх тохиолдлууд гардаг. Харамсалтай нь хууль бус үйл ажиллагаатай холбоотой тийм ч олон гүйлгээ байхгүй байж болох юм. Мөн судлаачид улаан тэмдэглэгээтэй гүйлгээ үнэхээр сэжигтэй эсэхийг тогтоож чадахгүй байж болох юм. (Эрх бүхий байгууллага нь мөрдөн байцаах ажиллагааны хязгаарлагдмал нөөцтэй тул зөвхөн хамгийн сэжигтэй гүйлгээний араас хөөцөлддөг. Санхүүгийн байгууллагууд олж илрүүлсэн сэжигтэй тохиолдлуудаас аль нь яг мөнгө угаах гэмт хэрэгтэй холбоотой байсныг баталгаажуулж өгөх нь ховор байдаг.) Тухайн байгууллагын гүйлгээний урьдчилсан эрсдэлийн оноог ашиглан алгоритмыг сургах арга байдаг. Гэхдээ энэ арга нь үнэлгээний үнэн зөв байдлыг шаарддаг бөгөөд тодорхой асуудлуудыг үүсгэдэг.  Хангалтгүй, буруу ангилагдсан өгөгдлөөр загварыг сургавал уг загвар нь эдгээр алдаануудыг давтах болно.
• Хоёрдугаарт, ML болон хиймэл оюун ухааны загварууд нь маш ховор тохиолдлыг үнэн зөв тодорхойлоход бэрхшээлтэй байдаг. Мөнгө угаах гэмт хэрэг нь санхүүгийн үйл ажиллагаануудын хувьд нэлээд ховор тохиолддог (бидний мэдэж байгаагаар). Улс төрийн гэмт бүлэглэл гэх мэтийн хууль бус санхүүгийн үйл ажиллагааны хамгийн хор хөнөөлтэй хэлбэрүүд нь бүр ч ховор байдаг. Санхүүгийн байгууллагуудын хууль бус гүйлгээнүүдийг найдвартай тодорхойлж чадаж байсан ч сэжигтэй гүйлгээг үнэн зөв тодорхойлохын тулд зарим төрлийн ML болон хиймэл оюун ухааны системийг сургахад хангалттай биш байж магадгүй юм. Нэг банкны харилцагчийн мэдээлэлд тулгуурласнаас олон төрлийн мэдээллийн эх үүсвэрт тулгуурласан датабаазыг бүтээх нь энэ асуудлыг шийдэхэд туслах боловч мөнгө угаахтай холбоотой гэмт хэргийн мэдээллийг цуглуулахад хүндрэлтэй байдаг бөгөөд дийлэнх тохиолдолд олон нийтэд нээлттэй байдаггүй. Энэ нь байгууллагууд дотоод гүйлгээний мэдээлэлдээ найдах хэрэгтэй гэсэн үг бөгөөд зарим төрлийн загварыг сургахад хангалттай хэмжээний мөнгө угаасан өгөгдөл байхгүй байж болох юм. 
• Гуравдугаарт, дээр дурдсан асуудлуудтай холбоотойгоор ML систем нь болзошгүй хууль бус үйлдлийн талаар үндэслэлтэй нотолгоонд тулгуурлаж байгаа эсэх эсвэл өгөгдлийн хангалтгүй байдлаас болж алгоритм нь мөнгө угаахтай хамааралгүй шинж чанаруудтай холбогдож сурсан эсэхийг үнэлэхэд маш хэцүү байж болох юм. Эдгээр асуудлууд нь ялангуяа гүнзгий шалгагддаг загваруудад тулгардаг. Системүүдийн нарийн төвөгтэй байдлаас шалтгаалж эдгээр загварууд хэрхэн шийдвэр гаргахаа тодорхойлоход туйлын хэцүү байдаг. Судлаачид ML систем нь хуурамч эсвэл хамааралгүй ангилалд найдаж байгаа эсэхийг шалгах тодорхой арга техникийг боловсруулсан. Гэвч эдгээр техник нь ерөнхийдөө системийн инженерүүд загвараас ямар төрлийн мэдээллийг ач холбогдол бүхий алдаа гэж үзэх талаар таамаглал дэвшүүлж байхыг шаарддаг.

Эдгээр шалтгааны улмаас ML болон хиймэл оюун ухааны загварууд нь алдааг бууруулах, үр ашгийг нэмэгдүүлэх гэсэн амлалтдаа хүрэх эсэх нь одоогоор тодорхойгүй байна. Хэрэв эдгээр хэрэгслүүд нь зөв ангилагдсан цогц өгөгдлүүдээр бүтээгдэхгүй бол ямар нэгэн үр дүн гарахгүй (хог цуглуулж, хог гаргана гэсэн хуучны сургаалыг сануулна). Үүнээс гадна хиймэл оюун ухааныг хөгжүүлэх хүсэл эрмэлзэл нь төгс төгөлдөр бус хэрэгсэлд хэт найдахад хүргэж болзошгүй бөгөөд байгууллагын аюулгүй байдалд хуурамч мэдрэмж төрүүлэх эрсдэлтэй юм. Мэдээж эдгээр асуудлуудыг зохих арга хэмжээг (синтетик өгөгдөл, эсвэл ховор тохиолдлыг урьдчилан таамаглах тусгай загвар ашиглах) авах замаар арилгаж болох бөгөөд ML болон хиймэл оюун ухааны системүүд нь одоо байгаа автоматжуулсан тойм систем дээр улам бүр сайжирч байгаа. Гэхдээ мөнгө угаах гэмт хэрэгтэй тэмцэх нөхцөлд бат бөх загвар боловсруулахад тулгардаг бэрхшээлүүд нь илүү болгоомжтой байх шаардлагатайг харуулж байна.   

Эх сурвалж