Finom a créé son système de surveillance des transactions à partir de zéro afin de fournir un espace de travail familier et unifié aux analystes AML de l'entreprise, un endroit où ils pourraient mener efficacement des enquêtes sur les divers défis AML propres à chaque pays où ils opèrent.
Mais c'est précisément en entrant dans de nouveaux environnements opérationnels que de nouvelles menaces apparaissent :
Le principal défi s'est avéré être un système existant qui ne pouvait pas suivre les modèles d'activité uniques. Un comportement préoccupant dans un pays peut être normal dans un autre, mais le système basé sur des règles générait une alerte dès qu'une transaction remplissait une condition spécifique. En conséquence, l'équipe de Finom a eu du mal à gérer les faux positifs (95 % du temps) par rapport aux activités réellement inhabituelles qui méritaient d'être étudiées. Les analystes ont fini par consacrer la majeure partie de leurs efforts à des tâches inutiles.
Cela risquait également de faire perdre du temps et de la patience aux clients qui déclenchaient involontairement des alertes dans le cadre de leurs activités normales, ce qui entraînait des demandes d'informations alors qu'elles n'étaient en fait pas nécessaires.
La révision de ces règles pour améliorer le rendement prenait beaucoup de temps et ne permettait pas de lutter efficacement contre les typologies locales uniques de lutte contre le blanchiment d'argent que Finom rencontrait dans toute l'Europe. Le fait de s'attaquer aux comportements de plus en plus complexes des clients uniquement à l'aide de règles conduisait à un système lourd qui produisait toujours des résultats sous-optimaux.
Une complication supplémentaire : Une telle solution pouvait-elle fonctionner dans le cadre de leur système de surveillance des transactions sur mesure ?
En se superposant à l'outil de surveillance des transactions existant de Finom plutôt qu'en créant un système entièrement nouveau, l'outil Resistant Transactions de Resistant AI a commencé à assimiler les flux de données de Finom à la mi-2022, après seulement quelques semaines de mise en œuvre.
Au lieu d'appliquer des règles rigides, les ensembles de modèles qui composent chaque détecteur de Transaction Forensics utilisent des anomalies statistiques pour découvrir des relations et des comportements inédits qui sortent de l'ordinaire pour certains clients.
Les détecteurs de Resistant AI mettent en évidence les comportements vraiment inhabituels grâce à des descriptions détaillées et des indicateurs de priorité qui contribuent à des enquêtes rapides. Tout cela en conservant un seul espace de travail pour l'analyste et une seule source de confiance.
Ces informations ont permis d'améliorer et d'accélérer les enquêtes dès le départ, ce qui a permis aux analystes de gagner un temps précieux pour se concentrer sur les cas prioritaires. La solution a également amélioré la surveillance, en fournissant des explications détaillées sur les détecteurs dans une terminologie simple pour les auditeurs, les régulateurs et les utilisateurs de la plateforme.
Mais la collaboration Finom/Resistant AI ne s'est pas arrêtée à la première mise en œuvre. Finom apprécie l'accès direct à l'équipe technique et les réunions régulières avec les analystes de données tout au long de la relation. L'équipe de Resistant AI propose continuellement de nouveaux détecteurs et est heureuse d'expliquer comment les choses fonctionnent et de s'adapter aux besoins de Finom si nécessaire.
Dans les deux mois qui ont suivi le déploiement de Transaction Forensics, les résultats des transactions des clients de Finom et les nouveaux développements de Resistant AI ont fait passer le nombre de détecteurs déployés de 16 à 28. Cette combinaison d'explication et d'adaptation rapide est un avantage crucial pour un fournisseur de services financiers ambitieux comme Finom.