V době pandemie nemoci COVID-19 mnoho opatření proti praní špinavých peněz a financování terorismu (dále jen „AML/CFT“) prochází zatěžkávacími zkouškami. Automatizované AML/CFT monitorovací systémy (dále jen „AML systémy“) nejsou výjimkou. Jak se projevuje „neobvyklý“ stav společnosti na funkčnosti těchto systémů? Lektor akademie Martin Mužný poskytl akademii velmi zajímavou přednášku. Jeho hlavní myšlenku se pokusím shrnout v úvodním článku rubriky o AML systémech.
Pachatelé trestné činnosti jsou schopní využít sebemenší příležitosti, která se jim pod rouškou pandemie naskytne. Povinné osoby by proto neměly polevit ve svých AML/CFT opatřeních, na což mimochodem také upozorňuje stanovisko EBA [1] a Finančního analytického úřadu. Zvýšené nároky jsou kladeny jak na provádění identifikace klienta v kontextu bezpečnostních opatření, blíže např. náš video blog [2], tak na AML/CFT monitorovací systém.
AML systém je jedním z klíčových pilířů AML/CFT opatření, jelikož právě tento je zpravidla centrálním místem, kde se sbíhají potřebné údaje o klientech, ať již v podobě identifikačních údajů, transakcí nebo dalších rizikových faktorů nutných k sestavení rizikového profilu klienta. Tyto údaje slouží k plnění zákonné povinnosti průběžného provádění kontroly klienta za účelem včasné detekce indikátorů potenciálně podezřelého obchodu, který musí být v případě přetrvávající podezřelosti oznámen Finančnímu analytickému úřadu. Kvalitní nastavení AML systému je o to více důležité za situace, kdy jiné způsoby detekce potenciálně podezřelých obchodů jsou nyní ve velké míře zredukovány či zcela absentují, např. identifikace klienta za fyzické přítomnosti při využití lidského faktoru při identifikaci.
Kvalita AML systému se nicméně v praxi velmi liší v závislosti od typu a velikosti instituce. Za hlavní rozlišovací faktor můžeme zcela jistě označit skutečnost, zda instituce využívá AML systém vyvinutý interně na míru, tzv. in-house, či disponuje robustním komerčním řešením, které může nabízet mnoho komplexních AML funkcionalit, které in-house řešení zpravidla nedisponuje s ohledem na časově a finančně náročný vývoj. Oba přístupy mají ovšem jedno společné a tím je způsob detekce potenciálně podezřelých obchodů za použití tzv. scénářů či pravidel. Každý scénář/pravidlo má za cíl sledovat určitou typologii praní špinavých peněž nebo financování terorismu. K tomu AML systémy využívají různé přístupy od jednoduchých detekčních pravidel typu vygenerování předem definovaného přehledu všech transakcí, vč. porovnání výše transakce vs. typ klienta, až po sofistikovaná pravidla. Ta vychází z behaviorálních scénářů, která berou v potaz statistické profilování klientů a jejich obvyklé chování či přímo prvky částečné či plné umělé inteligence (tzv. semi či full AI), která umí profilovat chování každého klienta zvlášť a do jisté míry i doporučovat návrhy na úpravu detekčních pravidel AML systému (např. missing link analýza). Dalším rozhodujícím kritériem je určení, zda AML systém pracuje pouze v tzv. off-line režimu, kdy zpravidla dostává vstupní informace v podobě dávky (batch) z předchozího dne (tzv. režim D+1), nebo částečně či plně v reálném čase (tzv. real time), což opět klade zvýšené nároky na provoz a je zejména doménou robustnějších komerčních řešení.
Převážná většina klientů povinných osob v současné době mění zásadním způsobem své obvyklé chování, což způsobuje razantní změny v jejich transakčním profilu. Tato situace může způsobovat, a z počátku zcela jistě i způsobovala, že AML systém, který byl nastaven na „obvyklé“ chování klienta v daném segmentu, nyní generuje zvýšené množství falešných alertů (tzv. false positive). Důvodem je, že AML systém tuto změnu vyhodnocuje jako rizikovou, byť byla způsobena legitimními důvody. Zvýšené množství falešných alertů přitom neúměrně vytěžuje kapacity útvarů povinných osob věnujících se jejich prošetřování, v důsledku čehož může jednodušeji „proklouznout“ právě ta podezřelá transakce, která měla být včas zachycena, zablokována a ohlášena Finančnímu analytickému úřadu jako podezřelý obchod. Obzvláště velkou výzvou je tato situace paradoxně právě pro nejnovější technologie, které využívají shora uvedených principů umělé inteligence. Důvodem je to, že tyto AML systémy využívají při svém zavádění kalibraci v podobě modelové, resp. vzorové, sady údajů za dlouhodobější období tak, aby se naučily, co je „správné“ chování klienta. Problém ovšem nastává ve dvou rovinách. Za prvé v situaci, kdy jsou tyto AML systémy zaváděny právě nyní a tedy učí se, co je „správné“, a při návratu k normálu budou změnu chování klientů detekovat jako podezřelé. Druhou možností je právě opak první situace, tedy že dobře kalibrovaný systém bude potřebovat delší časové období, aby se přizpůsobil nově vzniklé situaci a již nevyhodnocoval aktuální situaci jako podezřelou. Toto s sebou nese zcela jistě nároky na další vývoj těchto moderních technologií, a to zejména s důrazem na rychlejší adaptaci prvků umělé inteligence, což již někteří z předních výrobců oznámili.
S ohledem na shora uvedené by povinné osoby měly věnovat zvýšenou pozornost nastavení svých AML systémů, provést důkladnou analýzu všech detekčních pravidel a tyto přizpůsobit na nově vzniklou situaci tak, aby měly dle zákonných požadavků zaveden dostatečně účinný a efektivní systém ke zmírňování a účinnému řízení rizik legalizace výnosů z trestné činnosti a financování terorismu.
Více na toto téma s naším lektorem ať již v rámci námi pořádaných seminářů či individuálního školení přizpůsobeného Vám na míru.
[1] Prohlášení EBA o opatřeních ke zmírnění rizika finanční kriminality v COVID-19 pandemický
AML officer s více jak 16ti letou praxí u protikorupční policie.
V hodnosti plukovníka vedl speciální oddělení, které bylo příjemcem trestních oznámení FAÚ.
Opakovaně byl vyznamenán za boj proti praní peněz, působil jako člen vyjednávacího týmu ČR při obhajobě přijatých AML opatření na Radě Evropy ve Štrasburku.
Již 6 let úspěšně poskytuje služby v privátním sektoru napříč spektrem povinných osob.