Hawk
ລະບົບຕ້ານການຟອກເງິນ ແລະ ກວດຈັບການສໍ້ໂກງແບບ Cloud-native, ຈຸດເດັ່ນແມ່ນການຫຼຸດຜ່ອນການແຈ້ງເຕືອນຜິດພາດ
Hawk ແມ່ນສະຕາດັບປ໌ດ້ານການປ້ອງກັນອາຊະຍາກຳທາງການເງິນຈາກເມືອງມິວນິກ ປະເທດເຢຍລະມັນ, ເຊິ່ງດຳເນີນງານລະບົບກົດລະບຽບແບບດັ້ງເດີມ ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (Machine Learning) ໄປພ້ອມໆກັນ: ກົດລະບຽບຮັບຜິດຊອບຕໍ່ຂອບເຂດທີ່ຊັດເຈນຕາມຂໍ້ກຳນົດດ້ານລະບຽບການ, ສ່ວນໂມເດວມີໜ້າທີ່ຊອກຫາຄວາມຜິດປົກກະຕິທີ່ກົດລະບຽບຊອກບໍ່ພົບ, ໂດຍຜົນລັບຂອງທັງສອງຈະຖືກສະແດງໃຫ້ຜູ້ສືບສວນເຫັນພ້ອມກັນ.
ຄຸນສົມບັດ ແລະ ກໍລະນີການນຳໃຊ້
ຈຸດເດັ່ນຫຼັກຂອງມັນຄື ຄວາມສາມາດໃນການອະທິບາຍໄດ້ (Explainability) — ການແຈ້ງເຕືອນແຕ່ລະລາຍການສາມາດຕິດຕາມຍ້ອນກັບໄປຫາຮູບແບບກົດລະບຽບ ຫຼື ຟີເຈີຂອງໂມເດວທີ່ຖືກກະຕຸ້ນໄດ້, ເຮັດໃຫ້ເຈົ້າໜ້າຕီးດ້ານການປະຕິບັດຕາມກົດລະບຽບ (Compliance) ມີຫຼັກຖານໃນການຊີ້ແຈ້ງຕໍ່ໜ່ວຍງານກວດກາ. ລະບົບຖືກອອກແບບມາເປັນແບບ Cloud-native, ເຊື່ອມຕໍ່ຜ່ານ API, ມີຄວາມໄວໃນການຕິດຕັ້ງໄວກວ່າຊອບແວແບບດັ້ງເوديມ, ໂດຍລູກຄ້າສ່ວນໃຫຍ່ແມ່ນທະນາຄານດິຈິຕອນ, ສະຖາບັນການຈ່າຍເງິນ ແລະ ທະນາຄານຂະໜາດກາງເຖິງຂະໜາດນ້ອຍໃນຢູໂຣບ, ແລະ ໄດ້ຂະຫຍາຍຕົວໄປສູ່ອາເມລິກາເໜືອໃນຊຸມປີມໍ່ໆນີ້.
ເໝາະສຳລັບທະນາຄານດິຈິຕອນທີ່ກຳລັງເຕີບໂຕ, ສະຖາບັນການຈ່າຍເງິນ ແລະ ສະຖາບັນເງິນຕາເອເລັກໂຕຣນິກ — ເຊິ່ງມີປະລິມານຸສອນທຸລະກຳຫຼາຍເກີນກວ່າທີ່ຄົນຈະກວດສອບໄດ້ໝົດ, ແຕ່ບໍ່ມີງົບປະມານພຽງພໍຄືກັບສະຖາບັນຂະໜາດໃຫຍ່ໃນການຮັກສາລະບົບແບບດັ້ງເດີມ.
ຄຸນສົມບັດເດ่น
- ປະຕິບັດງານກົດລະບຽບ ແລະ Machine Learning ໄປພ້ອມກັນ
- ຕິດຕາມຍ້ອນກັບການແຈ້ງເຕືອນທີ່ອະທິບາຍໄດ້
- ຕິດຕາມກວດກາທຸລະກຳແບບ ຣຽວ-ໄທມ໌ (Real-time)
- ກວດສອບມາດຕະການລົງໂທດ ແລະ รายຊື່ (Sanctions & Screening)
- ສະຖາປັດຕະຍະກຳ Cloud-native ທີ່ເນັ້ນ API ເປັນຫຼັກ
ຂໍ້ດີ
- ຄວາມໄວໃນການຕິດຕັ້ງໄວກວ່າຊອບແວແບບດັ້ງເດີມ
- ການແຈ້ງເຕືອນສາມາດອະທິບາຍໄດ້, ງ່າຍຕໍ່ການຮັບມືກັບໜ່ວຍງານກວດກາ
- ການຫຼຸດຜ່ອນການແຈ້ງເຕືອນຜິດພາດແມ່ນເປົ້າໝາຍຜະລິດຕະພັນທີ່ຊັດເຈນ
ຂໍ້ເສຍ
- ຂະໜາດຂອງບໍລິສັດຍັງນ້ອຍ, ມີກໍລະນີສຶກສາການນຳໃຊ້ຈາກອົງກອນຂະໜາດໃຫຍ່ພິເສດຈຳກັດ
- ຕ້ອງກວດສອບການຊ່ວຍເຫຼືອທ້ອງຖິ່ນໃນພາກພື້ນອາຊີປາຊີຟິກ
- ການຕິດຕັ້ງເທິງຄລາວອາດເປັນສິ່ງທ້າທາຍຕໍ່ນະໂຍບາຍຄວາມປອດໄພດ້ານໄອທີຂອງບາງອົງກອນ
ກໍລະນີການນำໃຊ້
- ຕິດຕາມກວດກາທຸລະກຳຂອງທະນາຄານດິຈິຕອນ
- ກວດຈັບການສໍ້ໂກງສຳລັບສະຖາບັນການຈ່າຍເງິນ
- ເພີ່ມປະສິດທິພາບການແຈ້ງເຕືອນຂອງລະບົບທີ່ມີຢູ່ແລ້ວ
- ດິຈິຕາໄລເຊຊັນຂະບວນການສືບສວນດ້ານການປະຕິບັດຕາມກົດລະບຽບ
ໝາຍເຫດຈากบັນນາທິການ
ຕົ້ນທຶນທີ່ເຊື່ອງໄວ້ທີ່ໃຫຍ່ທີ່ສຸດຂອງລະບົບຕ້ານການຟອກເງິນແມ່ນຊັບພະຍາກອນມະນຸດ — ບໍ່ແມ່ນເງິນທີ່ໃຊ້ຊື້ລະບົບ, ແຕ່ແມ່ນມີຈັກຄົນທີ່ຕ້ອງມາຄອຍກວດສອບການແຈ້ງເຕືອນທີ່ບໍ່ຖືກຕ້ອງໃນແຕ່ລະວັນ. ນີ້ຄືຕົວເລກທີ່ຄວນນຳມາໃຊ້ປະເມີນຄ່າຄວາມຄຸ້ມຄ່າ.
ຄຳຖາມທີ່ພົບເລື້ອຍ
ໃຊ້ພຽງແຕ່ Machine Learning อย่างດຽວບໍ່ໄດ້ບໍ? ເປັນຫຍັງຕ້ອງໃຊ້ກົດລະບຽບອີກ?
ຂໍ້ກຳນົດດ້ານລະບຽບການບັງຄັບໃຫ້ບາງສະຖານະການຕ້ອງມີຂອບເຂດທີ່ຊັດເຈນ ແລະ ກວດສອບໄດ້ (ຕົວຢ່າງ: ການລາຍງານຍອດເງິນເກີນກຳນົດທີ່ເຈາະຈົງ), ເຊິ່ງສິ່ງນີ້ຕ້ອງອາໄສກົດລະບຽບເທົ່ານັ້ນ. Machine Learning ເຂົ້າມາຊ່ວຍຕື່ມເຕັມຮູບແບບຄວາມຜິດປົກກະຕິທີ່ຢູ່ນອກເໜືອກົດລະບຽບ, ທັງສອງຢ່າງແມ່ນສົ່ງເສີມເຊິ່ງກັນແລະກັນ ບໍ່ແມ່ນການທົດແທນກັນ.
ສາມາດໃຊ້ເພື່ອຫຼຸດຜ່ອນການແຈ້ງເຕືອນຜິດພາດຂອງລະບົບທີ່ມີຢູ່ແລ້ວໄດ້ບໍ?
ໄດ້, ນີ້ແມ່ນເສັ້ນທາງການນຳໃຊ້ທົ່ວໄປ: ລະບົບເກົ່າຍັງคงເຮັດວຽກປົກກະຕິ, ແລ້ວສົ່ງການແຈ້ງເຕືອນເຂົ້າມາເພື່ອໃຫ້ລະບົບນີ້ປະເມີນຜົນຊ້ຳ ແລະ จัดลำดับຄວາມສຳຄັນ, ເຊິ່ງมีความเสี่ยงຕ່ຳ ແລະ ງ່າຍກວ່າໃນການโน้มน้าว ພາຍໃນອົງກອນ.
