[논문 리뷰] Towards Artificial Intelligence Enabled Financial Crime Detection

Zeinab Rouhollahi|arXiv (Cornell University)|2021. 05. 23.

Crime, Illicit Activities, and Governance참고 문헌 79인용 수 5

한 줄 요약

이 논문은 인간 간섭을 최소화하면서 빈도 높은 금융 범죄 탐지 능력을 향상시키기 위해 지도 학습 분류와 비지도 이상 탐지 기반의 하이브리드 AI 모델을 제안한다. 논리적 AND 논리로 예측 결과를 융합함으로써 정밀도와 F1 스코어를 0.919로 높였으며, 이는 거짓 양성 결과를 크게 줄이고 분석가의 작업 부담을 감소시키면서도 높은 정확도(95.1%)를 유지함을 의미한다.

ABSTRACT

Recently, financial institutes have been dealing with an increase in financial crimes. In this context, financial services firms started to improve their vigilance and use new technologies and approaches to identify and predict financial fraud and crime possibilities. This task is challenging as institutions need to upgrade their data and analytics capabilities to enable new technologies such as Artificial Intelligence (AI) to predict and detect financial crimes. In this paper, we put a step towards AI-enabled financial crime detection in general and money laundering detection in particular to address this challenge. We study and analyse the recent works done in financial crime detection and present a novel model to detect money laundering cases with minimum human intervention needs.

연구 동기 및 목표

• 코로나19 패닉 이후 증가하는 디지털 거래 배경에서 빈도 높은 금융 범죄, 특히 자금세탁 문제 해결.
• 의심스러운 거래 탐지에서 거짓 양성 결과를 최소화해 수동 분석가 검토에 대한 의존도를 낮추기.
• AI 및 특징 공학을 활용해 확장 가능하고 인간 간섭이 최소화된 자금세탁 탐지 시스템 개발.
• 다양한 데이터 소스와 지식 기반을 통합해 거래 특징을 풍부하게 하여 탐지 정확도 향상.
• 클러스터링과 대시보드 통합을 통해 뱅킹 분석가가 실시간으로 거래를 시각적이고 동적으로 분할할 수 있도록 지원.

제안 방법

• 라벨이 부여된 거래 데이터에 지도 학습 기반 기계 학습(분류)을 적용해 의심스러운 사례를 예측.
• 사전 레이블링 없이도 비정상적인 거래 패턴을 식별하기 위해 비지도 이상 탐지 기법을 사용.
• 두 모델의 결과를 논리적 AND 논리로 융합하여 거짓 양성 결과를 줄이고 의심스러운 사례에 대한 신뢰도를 높임.
• 사전 가중치 없이도 위치, 엔티티 유형, 거래 행동 등의 거래 데이터에 특징 공학을 수행.
• 엘보 방법을 사용해 k-means 클러스터링을 적용하여 정상 및 의심스러운 거래로의 두 그룹 분할을 검증.
• 지식 기반(KBs)을 활용해 원시 거래 데이터를 풍부하게 하고 모델 입력을 위한 특징 표현을 향상.

실험 결과

연구 질문

• RQ1 AI 모델은 자금세탁 거래 탐지 과정에서 인간 간섭을 어떻게 줄일 수 있는가?
• RQ2 지도 학습 분류와 비지도 이상 탐지 기법을 융합했을 때 탐지 성능에 어떤 영향을 미치는가?
• RQ3 다양한 거래 특징은 사전 정의된 가중치 없이 의심스러운 행동을 식별하는 데 어떻게 기여하는가?
• RQ4 클러스터링 기법을 통해 정상 및 의심스러운 거래 그룹으로의 거래 분할이 검증 가능한가?
• RQ5 통합된 AI 모델은 금융 분석가의 실시간 동적 모니터링 및 시각화를 어떻게 지원할 수 있는가?

주요 결과

• 논리적 AND 융합을 사용한 하이브리드 모델은 F1 스코어 0.919를 기록해 개별 모델 대비 뚜렷한 향상을 이룸.
• 분류 및 이상 탐지 출력 결과를 융합한 후 정밀도는 0.939로 상승했고 정확도는 0.951에 도달함.
• 재현율은 0.899로 나타나 실제 자금세탁 사례를 강력하게 탐지하면서도 거짓 음성 결과를 최소화함.
• 엘보 방법을 통해 거래 데이터에 두 개의 최적 클러스터가 존재하는 것으로 확인되어 정상 대 의심스러운 거래로의 이진 분할을 뒷받침함.
• 거짓 양성 결과 수를 줄여 분석가의 작업 부담을 감소시키며, 높은 신뢰도를 가진 의심스러운 사례에 집중할 수 있음.
• 클러스터링과 특징 공학 통합은 실시간 거래 모니터링 및 분석가 의사결정 지원을 위한 동적 대시보드 개발을 지원함.