Strategie di contrasto per mezzo dell’intelligenza artificiale al riciclaggio ed al finanziamento al terrorismo
Strategie di contrasto per mezzo dell’intelligenza artificiale al riciclaggio ed al finanziamento al terrorismo
A cura di Sofia D’Amico
Il presente lavoro è una rielaborazione di parte della Tesi, dal titolo “Criminalità organizzata ed intelligenza artificiale: nuove frontiere e strategie di contrasto al fenomeno”, redatta con il contributo di una delle 15 borse di studio finanziate dall’Assemblea Regionale Siciliana ed intitolate alla memoria di Giovanni Falcone e Paolo Borsellino, assegnata alla dott.ssa Sofia D’Amico nell’anno 2022 dalla Fondazione Falcone.
Il riciclaggio di denaro e il finanziamento del terrorismo, due dei reati più frequentemente perpetrati dalla criminalità organizzata, sono contraddistinti da un’impronta transnazionale: la reazione ai due fenomeni richiede, di conseguenza, uniformità di comportamenti da parte delle autorità governative nell’adozione delle misure da introdurre nei rispettivi ordinamenti, sulla base delle prescrizioni e delle linee di intervento che pervengono dalla normativa comunitaria, dalle raccomandazioni del GAFI (Gruppo di Azione Finanziaria Internazionale) e dalle convenzioni e risoluzioni delle Nazioni Unite. Negli ultimi anni si è registrato un interesse sempre crescente verso la lotta a questi due fenomeni mediante le nuove tecnologie, grazie anche alle nuove opportunità apertesi nel campo dall’Intelligenza Artificiale.
Le attività terroristiche hanno bisogno di continue risorse: basti pensare alla quantità non solo di danaro ma anche a strutture logistiche, armi, documenti contraffatti, coperture e rifugi,[1] che la criminalità organizzata è in grado di fornire.
Le fonti privilegiate di finanziamento dei gruppi terroristici ricomprendono attività illecite quali i rapimenti a scopo di estorsione, il traffico di droga e altre condotte illecite volte a reperire dei fondi, che, per essere riutilizzati nei canali leciti, devono essere necessariamente “ripuliti”.
Si comprende, dunque, come l’attività di riciclaggio sia strettamente connessa con il finanziamento al terrorismo[2]: quest’ultimo, infatti, può ben costituire reato presupposto del riciclaggio, che, di converso è un prezioso strumento per le associazioni terroristiche; in tal modo, i fondi illecitamente acquisiti tramite traffici di droga o di armi o altre attività illecite possono essere reinvestite nel circuito economico, dissimulandone totalmente la provenienza.
Pertanto, le misure previste a livello nazionale e sovranazionale di contrasto al riciclaggio che mirano a controllare i movimenti di denaro e ad aumentare la trasparenza nelle transazioni e attività finanziarie, sono di sovente impiegate anche per il contrasto al finanziamento al terrorismo. Non è possibile, infatti, scindere i due fenomeni, che vanno necessariamente analizzati e combattuti congiuntamente, come dimostrato dall’impegno del GAFI attraverso gli International Standards, nonché attraverso la pubblicazione delle Opportunities and challenges of new technologies for AML/CFT[3] (rispettivamente Anti-Money Laundering e Countering Terrorist Financing) e la successiva Digital Strategy.[4]
In questo campo, un impiego dell’intelligenza artificiale discende dagli obblighi fissati dalle normative finalizzate a prevenire il riciclaggio: in particolare, il regolamento UE 2015/847 e la direttiva UE 2015/849 richiedono che le banche e gli intermediari finanziari vigilino sulle transazioni finanziarie poste in essere dai titolari di conto corrente. Nonostante le disposizioni euro-unitarie non prescrivano che questi obblighi vengano adempiuti servendosi di strumenti di intelligenza artificiale, gli enti creditizi e gli intermediari di maggiori dimensioni stanno già investendo in sistemi algoritmici capaci di tracciare le transazioni e rilevare spostamenti di denaro sospetti.[5]
Le citate normative europee mirano a potenziare la prevenzione del riciclaggio valorizzando un approccio essenzialmente imperniato sul rischio, fondamentale per definire misure di prevenzione e controlli: tale metodologia risk-based presuppone che le banche e gli altri intermediari finanziari adottino un sistema in continua evoluzione, che documenti e aggiorni periodicamente la valutazione del rischio e la metta a disposizione delle Autorità: in Italia in particolare ritroviamo il Mef (Ministero dell’Economia e delle Finanze), l’Uif (Unità Informazione Finanziaria), la Dia (Direzione Investigativa Antimafia) ed il Nspv (Nucleo Speciale Polizia Valutaria).
La sfida dell’impiego dell’AI nell’AML e nel CFT
Venendo agli istituti finanziari, gli esperti in materia[6] hanno raggruppato le opportunità di impiego dell’intelligenza artificiale al settore in cinque aree principali: la compliance, l’antiriciclaggio e la fraud detection, la gestione del credito e del risparmio, la cybersecurity, le decisioni in materia di trading e di investimenti.
Da diverso tempo la compliance antiriciclaggio si fonda sull’analisi e valutazione di una ricca mole di informazioni, tutt’ora dominata da incarichi di tipo manuale, che si dimostrano da un lato poco efficaci per contrastare le attività di antiriciclaggio e dall’altro inefficienti in rapporto con gli investimenti operati nel settore.
In questo senso, lo stesso FATF-GAFI sottolinea l’importanza dell’analisi dei big data tramite l’intelligenza artificiale e le soluzioni tecnologiche basate sul machine learning e le altre tecnologie AI-based. Come descritto ad esordio del già citato Report “Opportunities and challenges of new technologies for AML/CTF”, queste tecniche consentono di rafforzare il sistema esistente di monitoraggio e segnalazione di operazioni sospette, nonché di implementare la customer due diligence (CDD) e la valutazione del rischio.
La sensibilità agli strumenti di data analysis si è diffusa tra le Autorità antiriciclaggio, sia nella funzione di Autorità di vigilanza che in quella di Financial Intelligence Units (FIU): tali organi stanno implementando il ricorso a strumenti che aumentino la loro capacità di rilevare reti di transazioni tra loro correlate, identificare comportamenti anomali e, in generale, trasformare quantità significative di dati, strutturati e non, in informazioni utili a livello operativo. Questo approccio viene ormai descritto con il termine suptech, con cui si identifica l’uso da parte delle autorità finanziarie di strumenti avanzati di raccolta e analisi di dati, reso possibile dalle nuove tecnologie.[7]
Ad ottobre 2021, lo stesso FATF – insieme all’Egmont Group, organismo globale delle Financial Intelligence Unit (FIU), costituito nel 1995 per il supporto alle prassi operative e alla collaborazione internazionale– ha pubblicato il report “Digital transformation of AML/CFT for operational agencies”, fornendo alle autorità finanziarie, che si stanno approcciando agli strumenti di suptech, una guida operativa per la migliore individuazione dei digital tools per l’informazione finanziaria e l’investigazione di attività sospette, in base allo specifico obiettivo prefissato.[8]
Approccio all’AML/CFT tramite il machine learning
Come sopra detto, l’impiego del machine learning nella fase di monitoraggio delle transazioni e dei soggetti può rappresentare la chiave di volta per la gestione dell’enorme quantità di dati disponibili, innanzitutto, in capo agli istituti finanziari.
Attualmente, le banche impiegano l’Intelligenza Artificiale per ridurre gli oneri gravanti sui revisori umani, fornendo un concreto ausilio ai tradizionali metodi di monitoraggio delle transazioni: si pensi che i sistemi di Machine Learning si sono dimostrati più che validi nell’identificazione dei falsi positivi generati dal sistema di monitoraggio, riducendo la portata del 20-30%.[9]
Al momento, il Machine Learning è applicato principalmente nei seguenti settori dell’AML e CTF:
- Incremento dell’individuazione di anomalie: il ML consente di implementare la capacità di individuazione di operazioni sospette, sia rilevando operazioni sospette “conosciute”, sia individuando nuovi schemi sospetti “sconosciuti”.[10]
- Automatizzazione della raccolta di dati: le tecniche di ML, quali ad esempio il natural language processing (NLP) e l’optical character recognition (OCR) ben si prestano ad essere impiegate per attingere significato dai dati esterni “non strutturati”, accrescendo così le conoscenze dei team di compliance.[11]
- Miglioramento della segmentazione dei gruppi di utenti (o della clientela): mediante le tecniche di apprendimento non supervisionato si può ottenere una migliore segmentazione, aiutando così gli esperti di compliance ad individuare dei modelli comportamentali che attraverso la revisione manuale sarebbero invisibili. Attraverso i sistemi di clustering-data mining, che consistono nel raccogliere dati “non etichettati” a seconda delle loro affinità o diversità, si arriverà ad una segmentazione più efficace, in quanto più resistente alle variazioni dei dati, limitando i difetti attualmente presentati dal meccanismo delle soglie nei sistemi di monitoraggio: al momento, infatti, la determinazione di un valore economico oltre il quale si attivano determinati meccanismi di verifica è una delle principali cause di “falsi positivi”, precludendo al contempo un controllo accurato delle operazioni che si mantengono “sotto-soglia”; mediante la creazione di cluster di utenti sulla base delle informazioni processate dagli algoritmi unsupervised, è possibile invece predisporre soglie differenti a seconda del tipo di gruppo di soggetti individuato. [12]
- Perfezionamento della “prioritizzazione” delle segnalazioni e del punteggio di rischio di un cliente, attraverso impiego di algoritmi; così facendo, si accorda precedenza agli alerts che hanno un maggior grado di probabilità di essere realmente operazioni di riciclaggio di denaro.[13]
Tramite i modelli di supervised learning, addestrati a scindere le transazioni sospette da quelle regolari, si attinge dal gigantesco bacino di informazioni costituito dai precedenti esempi di segnalazioni di operazioni sospette, per individuare velocemente ed efficacemente le anomalie già censite.
Quanto ai vantaggi individuabili, spicca sicuramente il miglioramento dell’effettività dei sistemi antiriciclaggio, oltre naturalmente ad una migliore gestione del rischio e la riduzione dei costi, principalmente per gli istituti finanziari[14].
Difatti, gli istituti finanziari in tal modo possono ricorrere al monitoraggio, all’elaborazione e analisi di transazioni sospette o altre attività illecite in maniera automatizzata, emancipandosi dalla iniziale revisione da parte dell’operatore umano e contemporaneamente riducendo la quota dei “falsi positivi”. Difatti, i modelli tradizionali di AML generano, secondo alcuni studi, tra il 90 ed il 95%[15][16] di falsi positivi nelle segnalazioni, mentre secondo altri fino al il 98%[17]: ad oggi, infatti, la “gestione manuale” degli alerts basata sull’impiego di modelli statici è ancora largamente utilizzata, andando così ad appesantire il carico di lavoro per i team di compliance.
Ne consegue che, per gestire al meglio il crescente numero di segnalazioni “vincolate” all’analisi umana, gli istituti finanziari finiscono per dotarsi di un maggior numero di personale nell’area compliance, con un significativo incremento di costi, cui tuttavia non è seguito un corrispettivo miglioramento dell’efficienza: tale strategia ha come conseguenza quella di distrarre risorse che potrebbero essere destinati ai casi più ad alto rischio, rendendo inefficace di fatto il ruolo stesso degli intermediari finanziari nel sistema antiriciclaggio.
Al contempo, però, non può tralasciarsi che il ricorso agli algoritmi supervised implica un certo grado di dipendenza da dati di addestramento noti, che, nel pratico, possono paradossalmente limitare l’individuazione di una nuova operazione sospetta: senza una definizione univoca, vi è il rischio che, tramite questo genere di algoritmi, il sistema identifichi solamente cosa era stato già individuato come sospetto e non ciò che potrà risultare in seguito come tale, ad esempio attraverso le investigazioni della Financial Intelligence Unit di riferimento.
Un altro pericolo è quello di incappare nei cd “falsi negativi”: dato che l’algoritmo apprende tramite le etichette precedenti, il suo grado di avanzamento non potrà di fatto che seguire quello del team di compliance dell’istituto finanziario che aveva in precedenza identificato delle transazioni sospette.[18]
Dunque, l’individuazione di anomalie deve auspicabilmente coordinarsi con l’unsupervised learning, quindi cercando di identificare nuovi modelli sconoscendo a monte quali informazioni siano “indizio” di una effettiva ipotesi di riciclaggio; tramite tale metodologia, è possibile individuare altri schemi di ML, altrimenti troppo complessi per essere colti dall’essere umano.
[1] Cfr Convenzione internazionale per la repressione del finanziamento del terrorismo; New York, 9 dicembre 1999.
[2]V. Aragona, Il contrasto al finanziamento del terrorismo-criticità e innovazioni della nuova disciplina italiana; in https://archiviodpc.dirittopenaleuomo.org/, 1.06.2017
[3]FATF, Opportunities and Challenges of New Technologies for AML/CFT, FATF, Parigi, luglio 2021; https://www.fatf-gafi.org/publications/ fatfrecommendations/documents/opportunities-challenges-newtechnologies-aml-cft.html
[4] FAFTF, AML/CFT Digital Strategy for Law Enforcement Authorities, https://www.fatf-gafi.org/en/publications/Digitaltransformation/Digital-transformation-law-enforcement.html, 8 giugno 2022.
[5] M. Pizzolli, Obblighi degli intermediari finanziari e intelligenza artificiale. Novità fiscali, 2018 (7-8). pp. 348-356.
[6]Cfr J. Truby, R. Brown, A. Dahdal, Banking on AI: mandating a proactive approach to AI regulation in the financial sector, in Law and Financial Market Review, vol. 14/2020; luglio 2020.
[7] Cfr R. Coelho, M. De Simoni, J. Prenio, Suptech applications for antimoneylaundering, Quaderni dell’antiriciclaggio (Banca d’Italia-UIF), 14/2019.
[8] FATF- Egmont Group, Digital transformation of AML/CFT for operational agencies, Ottobre 2021.
[9] https://www.thescienceofwheremagazine.it/2021/12/07/ml-vs-ml-machine-learning-versus-money-laundering-lintelligenza-artificiale-e-il-contrasto-al-riciclaggio/
[10] E.B. Boukherouaa, G. Shabsigh, K. AlAjmi, J. Deodoro, A. Farias, E. S Iskender, A.T Mirestean, R. Ravikumar Powering the Digital Economy: Opportunities and Risks of Artificial Intelligence in Finance; in IMF DEPARTMENTAL PAPERS Volume 2021, ed. 024, International Monetary Fund.
[11] ibidem
[12]https://www.thescienceofwheremagazine.it/2021/12/07/ml-vs-ml-machine-learning-versus-money-laundering-lintelligenza-artificiale-e-il-contrasto-al-riciclaggio/
[13] ibidem
[14] FATF, Opportunities and challenges of new technologies for AML/CTF, luglio 2021.
[15] Deloitte-UOB; The case for using AI in combating money laundering & terrorist financing- A deep dive into the application of machine learning technology; novembre 2018.
[16] Saaradeey, S, D Ghosh, R Ray, S Ganesan and R Rajagopalan, Disrupting status quo in AML compliance, ORACLE White Paper, Marzo 2019.
[17] McKinsey&Company, Transforming approaches to AML and financial crimes, 2019.
[18] https://www.thescienceofwheremagazine.it/2021/12/07/ml-vs-ml-machine-learning-versus-money-laundering-lintelligenza-artificiale-e-il-contrasto-al-riciclaggio/
