打击洗钱活动是金融服务业目前面临的主要挑战。目前的反洗钱合规流程主要还是靠手动，重复，数据密集型处理来完成，这些流程不仅效率低而且还未能打击洗钱活动。
当前反洗钱活动收效甚微，加之威胁日益复杂，分析数据量不断增加，现在是时候探索人工智能在这方面的能力了。开发人工智能的反洗钱能力有可能进一步改变目前的反洗钱能力，并且能够提供一种扩大反洗钱范围和解决现今洗钱威胁的手段。
尽管人工智能有这种潜力，但人工智能应用程序数量的增加和自我意识的觉醒引发了一系列争论，例如人工智能解决方案的有效性和人类对人工智能的信任度，以及最终取代人类分析和决策。尽管人类极为谨慎地采取人工智能解决方案是很合理的，但人类大脑也有着一套捉摸不清和不可预测的系统。事实上，越来越多的人认为，将人类洞察力和与人工智能结合起来可以产生更好的解决方法，这比人类独自处理或人工智能单独处理更有效。
为了更好地探索和实现人工智能的潜力，金融服务行业需要更好的了解人工智能的能力，风险和局限性。尤为重要的是，建立一个道德框架，通过该框架可以监管人工智能应用程序的开发和使用，直至得到证实并最终获取信任。
反洗钱变革的必要性和机会
目前，金融服务行业的方法和监管框架都未能有效打击洗钱活动。如今世界各地的洗钱活动约占全球GDP的2%至5%。尽管金融机构为打击洗钱活动提供了大量资源，但目前的做法并未取得突破性的成果。根据欧洲刑警组织的报告，在金融服务机构提交的可疑交易报告中约有10%会还需政府当局进一步的调查。
虽然金融服务公司努力控制合规成本，但业界预计数据量和威胁的复杂程度将继续增加。因此，人们越来越认识到反洗钱创新的必要性以及最新技术的采用。
人工智能不断发展
随着人工智能不断发展，虚拟助手和机器人等已经应用到实际生活当中。人工智能的潜力已经开始发挥商业价值，可以帮助企业降低成本，更有效地管理风险和提高生产力。自2000年以来，每年向美国人工智能创业公司投资的风险资本约增加了六倍。2017年第一季度，风险资本向RegTech公司投资了超过2.38亿英镑的资金。同样，监管机构和金融行业行业机构，如金融行为监管局和金融稳定委员会，也开始意识到人工智能在金融服务业中的普及及其对监管合规性的应用。
解决人工智能应用的成本问题
人工智能可以提高特定运营模块的效率，例如客户尽职调查，脸部识别和交易监控控制。例如，现有的交易监控控制通常会产生大量的错误报警和工作量。由于调查过程效率低下，成本问题进一步加剧，导致人力的分配与交易监控控制之间存在着显著的差异。
通过在交易监控流程的不同阶段引入人工智能学习技术，人工智能在丝毫不影响效率的情况下有效降低运营成本。通过自然语言处理和文本挖掘技术，人工智能也越来越多地应用于客户尽职调查和脸部识别的流程。
了解人工智能如何被应用以及与人类洞察力相结合对发洗钱活动具有创新的启示。人工智能为金融服务业提供诸多机会，在了解客户方面具有革命性的作用。也许在下一轮变革中，我们将看到风险评估，监测和尽职调查过程与人工智能的紧密结合，为确定风险和监测可疑活动提供更多的支持。
未来人工智能可以更好地整合正在进行的筛选和监测分析流程，从而在更大范围，更高规模和频率上对客户进行评审。人工智能可以通过输入的资料不断评估风险和监测模型，以及不断学习，并根据用户画像和行为制定相应的解决方案。在人工智能动态的学习能力以及技术人员的帮助下，该模型可加强流程运营，提供更有质量的监控，甚至用来开发新资源。
如何在人工智能应用程序中建立信任
在人工智能怎么应用到反洗钱活动及获取信任的过程中，金融机构扮演者十分重要的角色。然而，许多金融机构可能一开始在探索人工智能应用的时候就不知道或没有足够的能力来管理和部署新技术所带来的风险和挑战。那么在人工智能应用到反洗钱活动中的解决方案中去建立信任的关键维度是什么?
1.强有力的治理
要对人工智能的设计，开发和部署进行强有力的管理和控制，这对人工智能应用到发洗钱的合规性上至关重要。在人工智能解决方案的整个生命周期内，良好的管理可以更好地评估和管理风险，提出挑战并提高决策能力。
管理和控制人工智能解决方案可以以近些年已应用于反洗钱的现有模型风险管理为出发点。企业可以使用这些模型和其他类似的监管声明作为基础，从而合理的采用人工智解决方案，从而达到利益相关者对风险的管理和监管的期望。
2.确定范围，目标和成功标准
开发人工智能应用到反洗钱流程的解决方案基础必须有一个明确的声明，以确保开发和应用与预期用途保持一致，并有效地应用到商业。
由于结果和数据模块具有一定的主观性，定义人工智能解决方案在反洗钱上的成功显得极其困难。金融机构可能会发现，在不加强调查和提高情报的情况下，人工智能不会产生超出现有监控流程的有效方案。建立明确的绩效指标和参数，将其与与明确定义的风险偏好声明相关联，这些对评估人工智能解决方案是否达到可接受的风险水平至关重要。
接下来是定义人工智能解决方案的范围。因此，遵守数据保护政策，合理使用个人数据和合法解释权是出于用来培训和操练人工智能在数据上的应用范围以及可以共享的考虑。 。
3.人工智能的透明度
展示和审核合规性的能力是当前AML框架的基础 ，因此人工智能及其基础算法的透明度非常重要。在不同的复杂性和透明度的背景下，人工智能和机器学习是一个非常广泛的领域。与现有的监管流程相比，神经网络和深度学习建立信任的难度更大。目前，由于这些挑战的存在，目前在银行中试验的人工智能解决方案很少有已经超越了线性回归，决策树和数据集群的能力。
在人工智能解决方案的设计过程中，必须要考虑人工智能对不同主体进行试验的不同能力和适用性，以及输入数据的特征。设计过程应详细记录技术规范，以及拟议的管理和利益相关者审查设计的已知限制和约束条件。
4.合作确定领先实践
成功地将人工智能解决方案应用到反洗钱合规生态系统中需要多个利益相关方的承诺和协作，如公司，人工智能解决方案供应商，监管机构和政府。协作可以帮助人工智能解决方案得到更广泛的采用，确定进一步的利益，也为适当的管理和监控制定标准，从而开始人工智能解决方案的安全开发和部署。
更广泛的采用，协作和更多的指导可以推动人工智能的创新和部署。在监管一致的情况下，更广泛的采用也将有助于避免监管效率的不对称，可以有效地打击非法活动。
5.数据输入和道德影响
用于训练和操练人工智能的输入数据至关重要。数据质量是许多金融机构面临的主要挑战，往往会影响反洗钱监管的有效性和效率。项目需要评估在不同的设计和开发阶段数据的质量及其对人工智能的试用性，并实施数据管理控制以监控运行期间的持续数据质量。
输入数据(特别是训练数据模块)的另一个挑战是偏见以及有输入能力和受过训练的人工智能的道德规范。例如，在输入不受控制的数据并对人工智能进行培训时，可能会产生无法预料的后果。
6.应用测试和验证
测试和挑战水平越高，解决方案可能越有效，而运营风险越小。通用模型风险管理框架包括模型验证和独立的团队。类似地，测试技巧可以是压力测试和灵敏度测试，也可以通过设置比赛来进行测试。
可以为其他领域制定更多的测试方法，以此来测试人工智能应用程序的适用性，例如胜利方和查找bug赏金，这些方法可用来测试和网络监控。
7.尽早参与，逐步部署，定期审查
人工智能可以为现有的合规流程和机构的运营模式带来变革。尽早接洽利益相关者，建立共同愿景并逐步部署可以推动更有效的变革，最终得到建设性的反馈并取得利益相关者的信任。
将人工智能应用到实际案例中时，企业需要考虑在持续监控过程中的的运营风险。将人工智能应用到日常案例中时，还需考虑恶意操纵或误用。定期验证活动(包括业务使用和灵敏度测试的审核)可以降低风险并定期审核人工智能所做出的决策。同时，基于专家提出的规则，系统有着自己的一套标准，以便比较并确定人工智能所做出的决策偏离预期规范的位置。
