Авлигатай тэмцэхэд, ялангуяа томоохон хэмжээний авлигатай тэмцэхэд сэжигтэй гүйлгээг үр дүнтэй бөгөөд зөв тодорхойлж чадах мөнгө угаах гэмт хэрэгтэй тэмцэх үр дүнтэй систем шаардлагатай байдаг. Сэжигтэй гүйлгээг тодорхойлох, тайлагнах үүрэгтэй санхүүгийн байгууллагууд улаан тэмдэглэгээ бүхий гүйлгээнүүдийг (гүйлгээний дүн, байршил, үйлчлүүлэгчийн ердийн үйл ажиллагаанаас хазайсан шинжтэй) тодорхойлох автоматжуулсан системийг ашигладаг бөгөөд уг автоматжуулсан систем нь тухайн гүйлгээг улаан тэмдэглэгээ бүхий гүйлгээ гэдгийг автоматаар тодорхойлж, цаашид нарийвчлан шалгах нөхцөлийг бий болгодог. Гэвч өдөр бүр хийгдэж буй санхүүгийн гүйлгээний хэмжээ, нарийн төвөгтэй байдал болон улаан тэмдэглэгээ бүхий гүйлгээнээс зайлсхийхийн тулд улс төрийн бүлэглэлүүд, гэмт бүлэглэлүүд болон бусад хүмүүсийн хууль бус үйл ажиллагаагаа далдлах арга улам нарийсаж, боловсронгуй болж байгаа нь үнэхээр сэжигтэй гүйлгээг тодорхойлоход туйлын хэцүү болгож байна. Ухаалаг системийг хөгжүүлэгчид ч гэсэн боломжит бүх улаан тэмдэглэгээ бүхий гүйлгээг автоматжуулсан системээр таньж чадна гэж найдахгүй байна.
Гэмт этгээдүүдээс нэг алхам түрүүлж алхахын тулд мэдээлэл боловсруулах технологийн шинэ дэвшил нь сэжигтэй гүйлгээг үр дүнтэй илрүүлэх системийг бий болгоход хэрхэн тусалж чадах талаар илүү сонирхох болсон. Технологи сонирхогчид мөнгө угаах гэмт хэрэгтэй тэмцэх үйл ажиллагааны хүрээнд хиймэл оюун ухааныг гүнзгийрүүлэн судлах, “Machine learning”-ийн (ML) хүрээнд багтдаг сонгодог алгоритмуудыг ашиглахыг хүсэж байна. ML болон хиймэл оюун ухаан нь тодорхой цогц өгөгдлөөс хэв маягийг тодорхойлж, ямар өгөгдлийн хэв шинж нь аль ангилалд холбогдохыг суралцдаг систем юм. И-мэйлийн спам шүүлтүүр бол үүний энгийн жишээ юм. Ангилал гэж нэрлэгддэг процессыг явуулахын тулд спам шүүлтүүр нь оролтын хувьсагчдыг спам болон спам биш гэсэн 2 ангилалд ангилдаг. Энэ нь и-мэйлийг хувийн шинж чанарт (илгээж буй хүн, үндсэн текст гэх мэт) нь тулгуурлан ангилж байгаа процесс юм. Мөнгө угаах гэмт хэрэгтэй тэмцэх хүрээнд санхүүгийн гүйлгээний талаарх өгөгдлөөр алгоритмуудыг сургаж, уг систем нь улаан тэмдэглэгээ байхгүй тохиолдолд сэжигтэй гүйлгээг олж илрүүлэх системд “суралцах” юм. ML болон хиймэл оюун ухаан системийг “хуурамч эерэг” (сэжигтэй гэж тэмдэглэгдсэн гүйлгээнүүдийг шалгаж үзэхэд ямар нэгэн асуудалгүй байх магадлалтай – бүх тэмдэглэгдсэн гүйлгээний 99%), мөн хүний олж чадаагүй залилангийн шинжтэй “хуурамч сөрөг” гүйлгээнүүдийг шүүж гаргахад аль алинд нь ашиглаж болно. Үнэндээ салбарын мэргэжилтнүүд хиймэл оюун ухаан нь зардлыг бууруулж, нарийвчлалыг сайжруулна гэдэгт маш их итгэлтэй байдаг бөгөөд хиймэл оюун ухаан нь мөнгө угаах гэмт хэрэгтэй тэмцэхэд үр дүнтэй түлхүүр байх болно хэмээн баталж, банкнуудыг мөнгө угаах гэмт хэрэгтэй тэмцэх шинэ зэвсгийг атгах ёстой гэж уриалдаг.
Хиймэл оюун ухааны хэрэгслээр одоо ашиглагдаж буй автоматжуулсан системийг сайжруулж чадвал нэг алхам урагшлах юм. Гэвч ML болон хиймэл оюун ухааны системийн мөнгө угаах гэмт хэрэгтэй тэмцэхэд чиглэсэн загвар нь зарим бэрхшээлүүдийг бий болгодог.
Эдгээр шалтгааны улмаас ML болон хиймэл оюун ухааны загварууд нь алдааг бууруулах, үр ашгийг нэмэгдүүлэх гэсэн амлалтдаа хүрэх эсэх нь одоогоор тодорхойгүй байна. Хэрэв эдгээр хэрэгслүүд нь зөв ангилагдсан цогц өгөгдлүүдээр бүтээгдэхгүй бол ямар нэгэн үр дүн гарахгүй (хог цуглуулж, хог гаргана гэсэн хуучны сургаалыг сануулна). Үүнээс гадна хиймэл оюун ухааныг хөгжүүлэх хүсэл эрмэлзэл нь төгс төгөлдөр бус хэрэгсэлд хэт найдахад хүргэж болзошгүй бөгөөд байгууллагын аюулгүй байдалд хуурамч мэдрэмж төрүүлэх эрсдэлтэй юм. Мэдээж эдгээр асуудлуудыг зохих арга хэмжээг (синтетик өгөгдөл, эсвэл ховор тохиолдлыг урьдчилан таамаглах тусгай загвар ашиглах) авах замаар арилгаж болох бөгөөд ML болон хиймэл оюун ухааны системүүд нь одоо байгаа автоматжуулсан тойм систем дээр улам бүр сайжирч байгаа. Гэхдээ мөнгө угаах гэмт хэрэгтэй тэмцэх нөхцөлд бат бөх загвар боловсруулахад тулгардаг бэрхшээлүүд нь илүү болгоомжтой байх шаардлагатайг харуулж байна.
Эх сурвалж