Contexte

Née en 1976 aux États-Unis, et en France depuis 1989, la lutte contre le blanchiment (Anti Money Laundering ou AML ) est au cœur des enjeux des établissements financiers.
La crise financière de 2008 a remis en avant la nécessité de lutter contre les paradis fiscaux dont l’opacité permet aux acteurs : de prospérer et de réaliser des transactions qui menacent la stabilité du système financier, avec un cadre de règles prudentielles et de supervision bien moindre. 

 

Challenges

L’un des principaux enjeux dans l’AML est la réduction de faux-positifs, c’est-à-dire de fausses alertes, qui sont émis par les dispositifs de lutte actuels. En effet, les faux-positifs représentent plus de 98% des cas d’alertes. C’est notamment là que l’intelligence artificielle trouve son utilité, afin de réduire ce pourcentage et donc d’allouer plus de ressources pour les véritables cas de fraudes.
De plus, son utilisation dans les procédures KYC permet d’augmenter la connaissance client et donc d’améliorer la sécurité.

 

Solutions

L’identification de données redondantes grâce à l’analyse sémantique ou encore l’analyse statistique des fichiers contenant les informations et transaction des clients peuvent réduire les cas de faux positifs.
Le machine learning permet de détecter les anomalies transactionnelles et comportementales en analysant les mouvements bancaires.
L’analyse des données externe et non structurées peut également fournir de précieuses informations pour la lutte contre le blanchiment d’argent.

Si vous êtes intéressés, contactez nous !

 

Intéréssés ? Échangeons sur vos enjeux et demandez une démo.

demander une démo