Améliorer la vérification des entreprises grâce à l’IA : une nouvelle frontière dans la lutte mondiale contre la fraude ?
Damian Borth, professeur en Intelligence artificielle et Apprentissage automatique à l'Université de Saint-Gall, explique comment l'exploitation des données ouvertes, normalisées et de grande qualité sur les entités légales, au sein de modèles d'IA peut permettre des interactions commerciales plus transparentes, efficaces et sécurisées à travers le monde.
Auteur: Damian Borth, professeur en IA et apprentissage automatique, Université de Saint-Gall
Date: 2024-04-29
Vues:
Dans l’économie numérique mondiale d’aujourd’hui, vérifier l’identité des entités légales n’a jamais été aussi sensible ni aussi difficile. Le potentiel de la technologie de l’intelligence artificielle (IA) dans l'automatisation des contrôles et de la surveillance des entités suscite un intérêt croissant. En augmentant l'efficience et l'efficacité des processus critiques, le risque de fraude et d'autres activités criminelles peut être réduit pour instaurer un environnement commercial plus sûr pour tous.
Il demeure cependant des défis. De nombreuses applications IA actuelles sont inhibées car les données sous-jacentes ne sont ni normalisées, ni exploitables ou partageables. Cet état de fait consomme une importante puissance de calcul tout en aggravant les erreurs systémiques.
Plusieurs tendances, développements et initiatives récents en matière de normes de données et de surveillance des transactions abordent les défis qui ont traditionnellement entravé les efforts de lutte contre le blanchiment d'argent (AML). Pouvez-vous expliquer le rôle potentiel de l’IA et des technologies d’apprentissage automatique ?
L’IA et l’apprentissage automatique sont très prometteurs pour relever les défis de la lutte contre le blanchiment d’argent en améliorant l’efficience des processus de surveillance et de conformité des transactions. Ils peuvent analyser de vastes ensembles de données afin de déceler des modèles ou anomalies complexes ainsi que des activités frauduleuses, ce qui augmente considérablement le taux de détection des transactions suspectes. De plus, l’IA peut s’adapter et apprendre de nouvelles données, ce qui la rend inestimable dans les paysages AML en constante évolution où les fraudeurs et les entités de surveillance tentent de se surpasser.
Comment l'association de l'IA et des données de haute qualité peut-elle aider à mieux quantifier et gérer les risques commerciaux mondiaux ?
L’IA et les sources de données externes de haute qualité peuvent améliorer considérablement la gestion des risques et la précision des contrôles commerciaux. Les algorithmes d'IA peuvent également automatiser la surveillance des données des entités légales, contribuant ainsi à un environnement financier mondial plus sûr en minimisant le risque de fraude.
À mesure que les opérations commerciales s'automatisent, comment évalueriez-vous l'équilibre entre la valeur ajoutée et les risques de l'IA ?
L'automatisation des processus d'identification, fondée sur l'IA et l'apprentissage automatique, accroît l'efficacité et la précision des données fournies, la conformité réglementaire et renforce la confiance dans les transactions commerciales.
Cependant, cela pourrait également introduire des risques comme des erreurs systémiques potentielles, des biais ou des failles de cybersécurité. Associer l’automatisation et la surveillance humaine pour assurer des mesures de sécurité robustes est essentiel pour atténuer ces risques.
Quelle est l'importance des données ouvertes, fiables, normalisées et de grande qualité pour la communauté de l'IA ?
Il s’agit d’un élément fondamental qui a toujours été considéré comme essentiel au développement de systèmes d’IA. Ces données garantissent des informations précises pour les modèles d’IA afin d'atteindre des résultats plus efficaces et plus fiables. La normalisation facilite l'interopérabilité entre les systèmes d'IA et améliore la reproductibilité de la recherche sur l'IA. Les données de haute qualité réduisent également les biais et facilitent des prises de décision éclairées des modèles, ce qui est crucial pour les applications dans des domaines sensibles tels que les systèmes financiers et juridiques.
Vous avez collaboré avec la GLEIF sur un modèle pour identifier et proposer la bonne forme juridique d'une entité. Pourriez-vous résumer les principales conclusions ?
Il est tout d’abord important de souligner l'importance de l’identification et de la compréhension de la forme juridique d’une entité dans certains processus financiers et commerciaux. Néanmoins, les nombreuses formes juridiques entre les juridictions et au sein de celles-ci introduisent une complexité considérable. La possibilité d'identifier automatiquement la forme juridique d'une entreprise et de l'associer à son code de forme juridique d'entité (ELF) correspondant peut donc présenter plusieurs avantages : accroître la transparence et l'efficacité opérationnelle et réduire les risques.
Notre collaboration avec la GLEIF a abouti à un modèle d'IA aussi appelé Legal Entity Name Understanding (LENU), capable de prédire avec précision la forme juridique d'une entité simplement avec son nom et sa juridiction. Le modèle linguistique que nous avons formé était capable de relier des modèles particuliers de raisons sociales et de nomenclature propre à une juridiction pour en déduire les formes juridiques. La grande précision du modèle met en valeur le potentiel de l’IA dans la poursuite d'une meilleure fiabilité des données commerciales. Cela pourrait non seulement accélérer le processus de délivrance du LEI, mais également réduire fortement les efforts de contrôles manuels.
Nous avons résumé nos conclusions dans un document de recherche scientifique intitulé « Classification des formes juridiques d'entités fondées sur Transformer ». L'étude met en évidence le fort potentiel des modèles fondés sur Transformer pour faire progresser la normalisation et l'intégration des données. L'introduction de la forme juridique d'une entité par des éléments de données normalisés renforce la confiance dans les tâches de liaison d'entités, assurant de solides paires de correspondance sur plusieurs ensembles de données, car chaque entité ne peut avoir qu'une seule forme juridique.
La grande précision du modèle met en valeur le potentiel de l’IA dans la poursuite d'une meilleure fiabilité des données commerciales. Cela pourrait non seulement accélérer le processus de délivrance du LEI, mais également réduire fortement les efforts de contrôles manuels.
Comment les données normalisées des entités légales comme le LEI, pourraient-elles contribuer à l'écosystème de recherche et développement en IA ?
Les données LEI normalisées enrichissent la recherche sur l’IA en fournissant un ensemble de données global et cohérent pour former et tester les modèles d’IA dans divers contextes financiers et juridiques. Cette uniformité améliore la fiabilité des modèles entre les juridictions et améliore les performances des solutions d'IA. Les ensembles de données LEI peuvent également faciliter la recherche sur l'IA dans des domaines comme la détection des fraudes, la vérification des entités et la conformité réglementaire. En servant de référence, les données LEI peuvent jouer un rôle clé dans l’évaluation des modèles d’IA dans le secteur financier.
Quel est votre message pour l'avenir ?
L’avenir de l’IA, renforcé par des données normalisées et ouvertes, recèle un immense potentiel pour les secteurs financier et juridique. En exploitant cette synergie, nous apporterons des améliorations rapides qui garantiront des systèmes financiers mondiaux plus transparents, efficaces et sécurisés. Cette évolution promet une meilleure conformité réglementaire, une réduction des fraudes et une compréhension plus approfondie des réseaux financiers complexes.
En résumé, nous comprendrons mieux un univers qui, aujourd'hui, n’est pas facilement accessible.
Si vous souhaitez commenter une publication sur le blog, veuillez vous identifier à l'aide de votre prénom et de votre nom. Votre nom apparaîtra à côté de votre commentaire. Aucune adresse e-mail ne sera publiée. Veuillez noter qu'en accédant ou en contribuant au forum de discussion, vous acceptez de respecter les conditions de la Politique de la GLEIF en matière de blog ; veuillez donc les lire attentivement.
Le professeur Damian Borth est directeur de l'Institute of Computer Science de l'Université de Saint-Gall, où il est professeur titulaire en intelligence artificielle et apprentissage automatique (AIML). Auparavant, Damian était le directeur fondateur du Deep Learning Competence Center du Centre allemand de recherche sur l'intelligence artificielle (DFKI) à Kaiserslautern, où il était également directeur principal du NVIDIA AI Lab du DFKI.
Les recherches de Damian se concentrent sur l'apprentissage des représentations avec des réseaux neuronaux profonds dans des domaines tels que la vision par ordinateur, la télédétection et l'audit financier. Pour ses travaux, il a obtenu le prix ACM SIGMM Test of Time en 2023, le Google Research Scholar Award en 2022, le NVIDIA AI Lab au GTC 2016, le Best Paper Award à l'ACM ICMR 2012 et le McKinsey Business Technology Award en 2011. Actuellement, Damian est membre du conseil d'administration de l'Institut international d'informatique (ICSI) à Berkeley, en Californie, du Conseil d'administration de la German Data Science Society, du comité consultatif du Roman Herzog Institute et du conseil consultatif du HSG Institute of Behavior Science & Technology.
Damian a mené ses recherches postdoctorales à l'UC Berkeley et à l'International Computer Science Institute (ICSI) de Berkeley, où il a participé à des projets Big Data au Lawrence Livermore National Laboratory. Il a décroché son doctorat à l'Université de Kaiserslautern et au Centre de recherche allemand sur l'intelligence artificielle (DFKI). Pendant cette période, Damian était chercheur associé au Digital Video and Multimedia Lab de l'Université Columbia de New York, aux États-Unis.
