NatusAI
Talousrikostutkija ja tiiminvetäjä tarkastelevat tapahtumaverkostoa näytöllä
  1. Etusivu
  2. Käyttötapaukset
  3. Pankki- ja rahoitusala
Pankkiala · petosten tunnistus ja complianceToteutettu · asiakastulos

Suuri eurooppalainen pankki

Petosten tunnistus ja compliance-analytiikka pankissa: 3 päivän kyselyistä reaaliaikaan

Petosten tunnistus ja analytiikka siirtyivät 3 päivän kyselyprosessista reaaliaikaiseen tilannetietoon miljoonissa päivittäisissä tapahtumissa.

Keskustele vastaavasta hankkeesta
3 päivää → alle 1 s

monimutkaisten suhdekyselyjen kesto

85 %

parempi petosten tunnistus pankin raportoimana

70 %

tuottavuuden kasvu

Tiivistelmä johdolle: petos- ja compliance-analytiikka

Asiakas
Suuri eurooppalainen pankki
Toimiala
Pankki- ja rahoitusala
Laajuus
Miljoonia tapahtumia päivässä
Laajuus
Petosten tunnistus, compliance-raportointi, dokumenttianalyysi

Tausta, päätös, tulos

  • Lähtötilanne. Monimutkaiset tietokantakyselyt kestivät 3 työpäivää, joten reaaliaikainen petosten tunnistus oli mahdotonta. Osastojen siiloihin jäänyt data esti 360° asiakasnäkymän, ja henkilöstö käytti tunteja toistuvaan tiedonhakuun.
  • Päätös. Arkkitehtuuri rakennetaan uudelleen suhteiden ympärille: tehokas graafidatakerros osastojen välille, koneoppimiseen perustuva poikkeamien tunnistus ja reaaliaikainen käsittelyputki miljoonille päivittäisille tapahtumille. Tutkijat näkevät jokaisen hälytyksen koko taustan.
  • Tulos. Monimutkaisiin suhdekyselyihin, jotka ennen kestivät 3 päivää, saadaan vastaus alle sekunnissa. Petosten tunnistus parani 85 % (pankin raportoimana), compliance-raportointi nopeutui 80 %, tuottavuus kasvoi 70 % ja asiakastyytyväisyys 42 %.
  • Aika hyötyihin. Pankin henkilöstölle järjestettiin koulutuksia ja toimitettiin tekninen dokumentaatio, jotka rakennettiin tutkijoiden jo esittämien kysymysten ympärille.
Haaste

Haaste petostentorjunta- ja compliance-tiimeille

Pankissa hyödyllinen vastaus riippuu suhteista: tilien, tapahtumien, dokumenttien, asiakkaiden ja tapahtumaketjujen välillä. Tässä pankissa suhteet olivat hajallaan osastojen järjestelmissä, ja monimutkaiset kyselyt kestivät 3 työpäivää.

Viiveet hidastivat tutkintaa, raportointia ja jokaista päätöstä, joka vaati yhtenäisen kuvan. Kun data oli täsmäytetty, päätösikkuna oli usein jo sulkeutunut, ja hitaat päätökset kasvattivat petosriskiä.

Miten työ tehtiin

Eteneminen: 3 päivän kyselyistä reaaliaikaiseen tutkintaan

Pullonkaula osoittautui olevan suhteissa – ei ihmisissä eikä laitteistossa.

  1. Vaihe 01 · Analysoi

    Miten tunnistimme pullonkaulat

    Kartoitimme polun tapahtumien käsittelystä petosten tunnistukseen ja compliance-raportointiin sekä jäljitimme datavirrat osastojen välillä.

    Etsimme siiloja, toistuvaa tiedonhakua ja suhteita, jotka tiimien piti nähdä yhdessä. Näin ensimmäinen muutos voitiin kohdistaa kysymyksiin, joissa yhdistetty data vapauttaisi eniten kapasiteettia.

    Toteutus Kartoitus, tiimimme toteuttama.

  2. Vaihe 02 · Suunnittele ja muunna

    Miten rakensimme tietomallin tutkinnan ympärille

    Suunnittelimme tehokkaan graafitietokanta-arkkitehtuurin, joka on optimoitu monimutkaisille suhdekyselyille, ja toimme suhdedatan rakenteeseen, joka palvelee tutkintaa.

    Koulutimme koneoppimismallit tunnistamaan kuvioita ja poikkeamia tapahtumadatasta ja rakensimme reaaliaikaisen käsittelyputken miljoonille päivittäisille tapahtumille.

    Yhtenäinen datakerros kokosi osastot yhteisen näkymän ympärille. Toimintakonteksti ja käyttöoikeuksien hallinta rakennettiin suoraan ratkaisuun.

    Tämän kyvykkyyden NatusAI-tuotteet

    Abstrakti kuva versioidusta graafista, jossa suhteet säilyttävät historiansa
    Jokainen tapahtuma ja suhde säilyy historiansa kanssa, joten kuviota voi seurata ajassa.
Abstrakti kuva tilannekuvasta, jossa hälytykset, tapahtumat ja niiden historia ovat yhteydessä toisiinsa
Yhdistetty data tekee petosriskistä asian, josta hallitus voi keskustella näyttöön perustuen.
  1. Vaihe 03 · Rakenna

    Mitä rakensimme

    Reaaliaikainen petostentunnistusmoottori, jossa on tapahtumien reaaliaikainen valvonta, välittömät hälytykset ja automaattinen riskipisteytys. Tutkijat näkevät toiminnan, riskikuvion ja sen ympärillä olevan kontekstin.

    Dokumenttianalyysialusta, jossa on luonnollisen kielen kyselyliittymä ja joka käsittelee miljoonia dokumentteja sekunneissa. Analyytikot voivat esittää kysymyksiä hyväksytyistä dokumenttikokoelmista.

    360 asteen asiakasdatan integrointi, osastojen välinen pääsy ja yhteistyötyökalut.

    Tämän kyvykkyyden NatusAI-tuotteet

  2. Vaihe 04 · Ota käyttöön

    Miten tiimit ottivat ratkaisun käyttöön

    Pankin henkilöstölle koulutuksia ja teknistä dokumentaatiota, jotka rakennettiin tutkijoiden ja analyytikoiden jo esittämien kysymysten ympärille. Mukana on konteksti, jonka avulla tuloksen voi arvioida sen sijaan, että hyväksyisi mustan laatikon vastauksen.

    Tämän kyvykkyyden NatusAI-tuotteet

Toteuttanut NatusAI:n tiimi. Tuotemerkinnät kertovat, mikä NatusAI-tuote tarjoaa kunkin kyvykkyyden tai on suunniteltu tarjoamaan sen. Julkaisutilanne on kohdassa ”Teknisille asiantuntijoillesi”.

Talousrikostutkijat tarkastelevat yhdessä tapahtumataulukoita ja suhdekaaviota (kuvituskuva)
Kuvituskuva.
Ihmisten näkökulma

Mikä muuttui riskienhallinnan, petostentorjunnan ja compliancen tiimeille

Vähemmän odottamista kysymyksen ja päätöksen välillä, enemmän aikaa harkinnalle.

  • Petostutkijat. Hälytykset saapuvat reaaliajassa graafin ja historian kanssa, joten kuviota voi seurata linkistä toiseen ja sen voi selittää.

  • Compliance-tiimit. Raportointi on 80 % nopeampaa, koska data on jo yhdistetty ja dokumenteista voi kysyä tavallisella kielellä.

  • Asiakaspalvelun henkilöstö. 360 asteen asiakasnäkymä yli osastorajojen. Asiakastyytyväisyys parani 42 %.

Mitattavat tulokset, joilla on merkitystä

Vaikutus: reaaliaikainen petos- ja compliance-analytiikka

3 päivää → alle 1 s

monimutkaiset suhdekyselyt: 3 työpäivästä alle sekuntiin

85 %

parempi petosten tunnistus pankin raportoimana

70 %

tuottavuuden kasvu

80 %

nopeampi compliance-raportointi

42 %

parempi asiakastyytyväisyys

98 %

dokumenttianalyysin tarkkuus pankin raportoimana, miljoonia dokumentteja kuukaudessa

Asiakkaan raportoimat luvut projektin päättyessä.

Talousdata ja tutkinta

Mihin sama perusta vie seuraavaksi

Useimmissa pankeissa pääkirja, petostentunnistus, riskimalli ja kirjausketju ovat eri järjestelmissä, joita yöajot sitovat yhteen. Yhdistetty, aikatietoinen perusta antaa päättää, havaita ja ennustaa reaaliaikaisen datan pohjalta.

Referenssiskenaario

Välittömät luottopäätökset

Ongelma
Lainan tai luottorajan myöntäminen vaatii hakijan historian ja velvoiteverkoston kokoamista – yleensä hidas yhdistely useista järjestelmistä.
Lähestymistapa
Koko tapahtumahistoria ja vastapuoliverkosto ovat yhdessä paikassa. Pisteytysmalli arvioi ne ja palauttaa myönteisen tai kielteisen päätöksen hetkessä.
Tulos
Reaaliaikaiset luottopäätökset myyntipisteessä tai sovelluksessa, ja niiden tukena täsmälleen se data, jolla päätös tehtiin.
Referenssiskenaario

Petokset ja rahanpesun torjunta (AML)

Ongelma
Petokset ja rahanpesu näkyvät ajan mittaan syntyvinä kuvioina, kuten renkaina, muuliketjuina ja äkillisinä purskeina, jotka rivi riviltä tehtävät tarkistukset ohittavat.
Lähestymistapa
Seuraa rahaa linkistä toiseen, tunnista kehämäiset virrat ja nopeuspiikit ja pisteytä poikkeamat tapahtumien hetkellä.
Tulos
Epäilyttävät kuviot nostetaan esiin reaaliajassa, ja koko verkosto ja historia ovat käsillä tutkintaa ja selittämistä varten.
Referenssiskenaario

Saldot ja maksuvalmius

Ongelma
Treasury tarvitsee myös huomisen saldot, mutta ennusteet ovat taulukkolaskennassa irrallaan reaaliaikaisesta pääkirjasta.
Lähestymistapa
Ennusta jokaisen tilin saldo ja kokoa se konttori- ja pankkitason maksuvalmiudeksi. Stressitestaa sitten skenaariot samalla datalla.
Tulos
Ennakoiva näkymä maksuvalmiuteen, jonka varaan voi suunnitella ja joka päivittyy jatkuvasti eikä kerran kuussa.

”Miltä tämä vastuu näytti 30. kesäkuuta?” Jokainen tapahtuma ja suhde säilyy historiansa kanssa, joten tarkastus, compliance ja jälkitestaus tehdään samalla datalla kuin reaaliaikaiset päätökset.

Referenssiskenaariot pankki-, vakuutus- ja maksualalle; havainnollistavia, eivät NatusAI:n asiakastuloksia. Luotonanto ja luottopisteytys voivat olla suuririskisiä EU:n tekoälyasetuksen liitteen III mukaan. Katso hallinta alla.

Siirrettävyys

Mitä tämä tarkoittaa pankeille, vakuutusyhtiöille ja maksulaitoksille

Pankit, vakuutusyhtiöt ja maksulaitokset, jotka odottavat yhä eräajoina tehtävää täsmäytystä, voivat soveltaa samaa lähestymistapaa. Aloita yhdestä tutkintapolusta: petosrenkaasta, korvauskuviosta tai compliance-raportista.

Aloita kysymyksestä, joka odottaa pisimpään.

Yksi tutkintapolku, yksi näkyväksi tehty suhdejoukko ja mitattu ero ennen ja jälkeen.

Selitettävyys syntyy kontekstista.

Kun tutkijat näkevät hälytyksen taustalla olevan verkoston ja historian, he voivat perustella päätöksen valvojalle.

Pidä data siellä, missä sääntely sen haluaa.

Graafi, historia ja analytiikka voivat toimia yhtenä järjestelmänä pankin omalla infrastruktuurilla.

Sääntely

Rakennettu tukemaan DORAn, AML:n, Solvenssi II:n ja EU:n tekoälyasetuksen hallintaa

Rahoituslaitosten on pystyttävä selittämään, toistamaan ja irtautumaan. Arkkitehtuurissa nimetty henkilö vastaa merkittävistä päätöksistä, niiden rekonstruointiin tarvittava historia säilyy ja ratkaisu voi toimia pankin omassa tietoturvaperimetrissä.

  • DORA (sovellettu 17. tammikuuta 2025 alkaen): käyttöönotto omassa konesalissa tai EU:ssa, dokumentoitu irtautumisstrategia, tiedot ICT-kolmansien osapuolten sopimusrekisteriin, näyttö palautuskyvystä (todennettu palautus, NatusAI Gemini, tiekartalla)
  • AML / talousrikosvalvonta: hälytykset on linkitetty niiden taustalla oleviin tapahtumiin, vastapuoliin ja historiaan, joten tutkinnat ovat selitettäviä
  • EU:n tekoälyasetus: luonnollisten henkilöiden luottokelpoisuuden arviointi on liitteen III suuririskinen käyttötarkoitus, ja erillisten suuririskisten järjestelmien velvoitteiden odotetaan alkavan 2. joulukuuta 2027 (edellyttää lopullista hyväksyntää). Ihmisen suorittama valvonta, lokitus ja datanhallinnan dokumentaatio tukevat käyttöönottajan velvoitteita
  • Solvenssi II / EIOPA (vakuutusyhtiöt): samat kontrollit (ihmisen suorittama valvonta, lokitus, dokumentoidut datavirrat ja dokumentoitu irtautumissuunnitelma) antavat vakuutusyhtiöille dokumentaation, jota hallintojärjestelmän ja ulkoistamisen arvioinnit edellyttävät. DORA koskee vakuutusyhtiöitä samoin kuin pankkeja
  • EU:n tietosuoja-asetus (GDPR): käsittely pankin omassa ympäristössä, dokumentoidut datavirrat
  • Malliriski: dokumentaatio sisäisen validoinnin tueksi (esim. SR 11-7 / OSFI E-22 yhdysvaltalaisille ja kanadalaisille yksiköille)

NatusAI tukee velvoitteidesi täyttämistä, mutta se ei korvaa omaa oikeudellista arviotasi tai valvojan hyväksyntää. Miten NatusAI tukee EU:n tekoälyasetuksen, GDPR:n, DORAn ja NIS2:n mukaista hallintaa

Yhdistetyn tiedon graafi: vastaukset ovat jäljitettävissä faktoihinsa ja suhteisiinsa
Teknisille asiantuntijoillesi
  • Toteutettu arkkitehtuuri: tehokas graafitietokanta suhdekyselyille, koneoppimiseen perustuva poikkeamien tunnistus tapahtumadatasta, reaaliaikainen käsittelyputki (miljoonia tapahtumia päivässä), yhtenäinen datakerros osastojen välillä sekä moniagenttinen dokumenttianalyysijärjestelmä luonnollisen kielen kyselyliittymällä.
  • Referenssimoottorin malli: tapahtumat indeksoidaan saapuessaan versioiduiksi kaariksi tili-, asiakas- ja vastapuolisolmujen välille. Graafi, aikasarjat ja koneoppiminen yhdessä moottorissa. Ajankohtakyselyt mille tahansa aikaleimalle. Yksi omalla infrastruktuurilla ajettava ohjelmatiedosto.
  • Sijoittuminen alustaan: NatusAI Cygnus (suunnitteilla v1), NatusAI Auriga (tiekartalla), NatusAI Aquila (tiekartalla), NatusAI Orion (tiekartalla), NatusAI Lyra (saatavilla).
Kysymykset

Riskijohtajien ja talousrikostorjunnan johtajien kysymyksiä

Nopeus, selitettävyys, käyttöönotto ja laajemmat vaikutukset.

Kuinka nopeiksi monimutkaiset suhdekyselyt voivat muuttua?

Tässä pankissa 3 työpäivää kestäneisiin monimutkaisiin kyselyihin saatiin vastaus alle sekunnissa, samalla kun järjestelmä käsitteli miljoonia tapahtumia päivässä.

Pystyvätkö tutkijat selittämään tekoälyn tuottaman hälytyksen?

Kyllä. Jokaisen hälytyksen mukana tulevat sen taustalla olevat tapahtumat, vastapuolet ja historia, joten tutkijat arvioivat kontekstin eivätkä hyväksy mustan laatikon pistemäärää.

Voiko ratkaisua ajaa omassa konesalissa?

Kyllä. Arkkitehtuuri voi toimia yhtenä omalla infrastruktuurilla ajettavana järjestelmänä pankin omassa ympäristössä.

Soveltuuko sama lähestymistapa vakuutusyhtiöille?

Kyllä. Tapaus toteutettiin pankissa, ja malli soveltuu kaikkialle, missä petos-, korvaus- tai compliance-vastaukset riippuvat suhteista ja historiasta. Samat kontrollit tukevat hallintodokumentaatiota, jota vakuutusyhtiöt laativat Solvenssi II:n ja DORAn mukaisesti. NatusAI ei sertifioi vaatimustenmukaisuutta.

Mikä muu parani petosten tunnistuksen lisäksi?

Compliance-raportointi nopeutui 80 %, tuottavuus kasvoi 70 % ja asiakastyytyväisyys parani 42 % osastorajat ylittävän 360 asteen asiakasnäkymän ansiosta.

Asiakastulokset
Keskustele vastaavasta hankkeesta

Mikä yhdistettyä tietoa vaativa kysymys vie nyt liian kauan?

Aloita yhdestä tutkintapolusta ja tee sen suhteet näkyviksi. 30 minuutissa hahmottelemme, miten mittaisimme muutoksen ja miten se sopii DORA- ja malliriskikehykseesi.

  • Aloita rajatulla kartoitusvaiheella, joka päättyy selkeään jatka / älä jatka -päätökseen.
  • Referenssikeskustelut tästä tapauksesta voidaan järjestää salassapitosopimuksella ensimmäisen katsauksen jälkeen.
Keskustele vastaavasta hankkeestaKaikki käyttötapaukset

Tai kirjoita osoitteeseen contact@natusai.com

Pieni johtoryhmä käy läpi yhden sivun tulosyhteenvetoa neuvotteluhuoneessa (kuvituskuva)