利用人工智能加强业务验证：全球打击欺诈行为的新前沿领域？

圣加仑大学人工智能与机器学习教授 Damian Borth 解释了如何在全球范围内利用人工智能模型中的开放、标准化和高质量的法定实体数据来实现更加透明、高效和安全的业务交互。

---

---

在当今的全球数字经济中，验证法定实体的身份变得无比重要且具有挑战性。作为回应，人们对人工智能（AI）技术自动执行实体验证和监控的潜力越来越感兴趣。通过提高关键流程的效率和有效性，可以降低欺诈和其他犯罪活动的风险，从而为所有人营造更安全的商业环境。

但挑战依然存在。由于底层数据未实现标准化、不易使用且不可共享，当前许多人工智能应用受到阻碍。这不仅会浪费宝贵的计算能力，还会加剧系统错误。

数据标准和交易监控领域的一些最新趋势、发展和举措可解决传统上阻碍反洗钱（AML）工作的挑战。您能解释一下人工智能和机器学习技术可以发挥的作用吗？

人工智能和机器学习通过提高交易监控和合规流程的效率和效果，在应对反洗钱挑战方面前景一片光明。他们可以通过分析大量数据集来识别复杂的模式或异常并发现欺诈活动，从而显著提高可疑交易的检测能力。此外，人工智能可以从新数据中学习并做出调整，这在不断变化的反洗钱环境中具有不可估量的价值，因为欺诈者和监控实体试图在这种环境中超越对方。

人工智能技术如何与高质量数据结合才能帮助我们更好地量化和管理全球商业风险？

人工智能和高质量的外部数据源可以通过提高业务验证的准确性来显著增强风险管理。人工智能算法还可以自动监控法定实体的数据，通过最大限度地降低欺诈风险来促进更安全的全球金融环境。

随着商业运作变得越来越自动化，您如何评估人工智能技术的附加值与风险之间的平衡？

由人工智能和机器学习支持的识别流程自动化可以提高效率并提高给定数据的准确性，从而增强监管合规并提高对业务交易的信任。

然而，它也可能带来潜在的系统错误、偏见或网络安全漏洞等风险。平衡自动化与人工监管并确保强有力的安全措施对于减轻这些风险至关重要。

开放、可靠、标准化、高质量的数据对人工智能社区有多重要？

简言之，这是基本要素，并且一直被认为对于成功开发人工智能系统至关重要。这些数据确保人工智能模型使用准确的信息进行训练，从而获得更有效、更可信的结果。标准化可促进不同人工智能系统之间的互操作性，提高人工智能研究的重现性。高质量的数据还可以减少偏见并提高模型的决策能力，这对于金融和法律体系等敏感领域的应用至关重要。

您已与 GLEIF 合作建立了一个模型来识别和建议正确的实体法律形式。您能总结主要发现吗？

首先，一定要认识到识别和理解实体的法律形式是各种财务和业务相关流程的关键。然而，不同司法管辖区之间以及司法管辖区内部众多不同的法律形式带来了相当大的复杂性。因此，自动识别公司的法律形式并将其关联到相应的实体法律形式 (ELF) 代码的能力可以带来众多好处——提高透明度、降低风险并提高运营效率。

我们与 GLEIF 合作建立了一个人工智能模型，即“法定实体名称理解” (LENU)，仅使用实体的名称和司法管辖区即可准确预测实体的法律形式。我们训练的语言模型能够将法定名称中的特定模式与特定司法管辖区的命名关联起来，从中得出法律形式。该模型的高精度展示了人工智能提高业务数据可靠性的潜力。这不仅可以加快 LEI 发放流程，还可以显著减少人工验证工作量。

我们在科学研究论文《基于 Transformer 的实体法律形式分类》中总结了我们的研究成果。该研究重点阐述了基于 Transformer 的模型在推进数据标准化和数据集成方面的巨大潜力。通过标准化数据项引入实体的法律形式可以增加实体链接任务的信心，从而实现跨多个数据集的稳健映射对，因为每个实体只能有一种法律形式。

该模型的高精度展示了人工智能提高业务数据可靠性的潜力。这不仅可以加快 LEI 发放流程，还可以显著减少人工验证工作量。

LEI 等标准化法定实体数据如何为人工智能研发生态系统做贡献？

标准化的 LEI 数据通过提供用于在金融和法律背景下训练和测试人工智能模型的全球一致数据集，改进了人工智能研究。这种统一性可提高不同司法管辖区的模型可靠性，并增强人工智能解决方案的性能。LEI 数据集还可以促进欺诈检测、实体验证和监管合规等领域的人工智能研究。作为基准，LEI 数据可以在评估金融行业的人工智能模型中发挥关键作用。

您对未来有什么寄语？

人工智能的未来，在标准化和开放数据的支持下，将为金融和法律领域的变革带来巨大潜力。通过利用这种协同作用，我们将实现快速改进，确保全球金融体系更加透明、高效和安全。这一演变有望增强监管合规、减少欺诈行为并加深对复杂金融网络的理解。

总而言之，我们将看到并更好地了解一个现在并不容易进入的世界。

---