નફો:
- એએમએલ (એન્ટિ-મની લોન્ડરિંગ) અને કેવાયસી (તમારા ગ્રાહકને જાણો) પ્રક્રિયાઓ કેવી રીતે કાર્ય કરે છે અને ટ્રાન્ઝેક્શન મોનિટરિંગ, સ્કેનિંગ અને ફાઇલ સારાંશમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કેવી રીતે થાય છે તે સમજો.
- શંકાસ્પદ વ્યવહારની રૂપરેખા અને ગ્રાહક જોખમ પ્રોફાઇલ સારાંશ માટે AI નો ઉપયોગ કરવાની ક્ષમતા, શંકાસ્પદ ટ્રાન્ઝેક્શન રિપોર્ટિંગ (STR) નિર્ણય અધિકૃત અનુપાલન અધિકારીને છોડીને
- અમલીકરણ/PEP સ્ક્રિનિંગ, મેળ ખાતો નથી અને એ સમજવાની ક્ષમતા શા માટે અનુપાલન માટે માનવ દેખરેખની જરૂર છે અને ઑડિટ ટ્રેલ જાળવવું
બેંકો માત્ર નાણાંનો સંગ્રહ કરતી નથી; તે નાણાકીય વ્યવસ્થાના દરવાજા પણ ધરાવે છે. કાળું નાણું, આતંકવાદી ધિરાણ અને મંજૂર ભંડોળને આ દરવાજામાંથી પસાર થતું અટકાવવા બેંકોની કાનૂની જવાબદારી છે. બે મુખ્ય પ્રક્રિયાઓ આને સક્ષમ કરે છે: KYC (તમારા ગ્રાહકને જાણો) એ ચકાસવા માટે છે કે ગ્રાહક કોણ છે અને ભંડોળના સ્ત્રોત જેની સાથે તે અથવા તેણી વ્યવસાય કરે છે; એએમએલ (એન્ટી-મની લોન્ડરિંગ) વ્યવહારો પર દેખરેખ રાખવા અને શંકાસ્પદ લોકોને ઓળખવા માટે છે. Türkiye માં, આ ક્ષેત્રનું નિયમનકાર MASAK (ફાઇનાન્સિયલ ક્રાઇમ્સ ઇન્વેસ્ટિગેશન બોર્ડ) છે અને બેંકો શંકાસ્પદ વ્યવહારો રિપોર્ટિંગ (STR/SAR) સાથે શંકાસ્પદ વ્યવહારોની જાણ કરવા માટે બંધાયેલા છે. ટ્રાન્ઝેક્શન મોનિટરિંગ, નામ સ્કેનિંગ અને ફાઇલ સારાંશના આ વિશાળ વોલ્યુમને હેન્ડલ કરવામાં AI શક્તિશાળી છે; પરંતુ STR નિર્ણય એ એક એવો નિર્ણય છે જેના કાનૂની પરિણામો છે અને તે અધિકૃત અનુપાલન અધિકારીનો છે. મોડેલ પ્રારંભિક સ્ક્રીનીંગ અને ડ્રાફ્ટ બનાવે છે, તે નિર્ણયો લેતું નથી.
આ યુનિટમાં, અમે જોઈશું કે AML/KYC કેવી રીતે કામ કરે છે, ટ્રાન્ઝેક્શન મોનિટરિંગ, સ્ક્રીનિંગ અને ફાઇલ સારાંશમાં AI નો ઉપયોગ કેવી રીતે કરવો અને માનવ દેખરેખ અને ઑડિટ ટ્રેલ શા માટે જરૂરી છે.
KYC અને AML કેવી રીતે કામ કરે છે
- KYC (ગ્રાહક ઓળખ): ઓળખની ચકાસણી, વાસ્તવિક લાભાર્થીની ઓળખ (ફંડના મુખ્ય માલિક), જોખમ વર્ગીકરણ. કડક ચકાસણી ઉચ્ચ જોખમ ધરાવતા ગ્રાહકોને લાગુ પડે છે (દા.ત. PEP — પોલિટિકલી એક્સપોઝ્ડ પર્સન).
- ટ્રાન્ઝેક્શન મોનિટરિંગ: જાણીતી લોન્ડરિંગ પેટર્ન માટે ગ્રાહકના વ્યવહારોને સ્કેન કરવું (સ્મર્ફિંગ - સબથ્રેશોલ્ડ ભાગોમાં મોટી રકમનું વિભાજન, ઝડપી પ્રવેશ અને બહાર નીકળો, અસંબંધિત એકાઉન્ટ નેટવર્ક્સ).
- સ્ક્રીનીંગ: નામોની મંજુરી યાદીઓ અને PEP યાદીઓ સાથે સરખામણી.
- સૂચના (STR): જ્યારે શંકા વાજબી સ્તરે પહોંચે ત્યારે MASAK ને સૂચના.
ટીપ: AML માં, ધ્યેય "અપરાધ સાબિત" કરવાનો નથી પરંતુ "વાજબી શંકાની જાણ" કરવાનો છે. અનુપાલન અધિકારી ફરિયાદી નથી; શંકાનું યોગ્ય મૂલ્યાંકન કરવા અને સમયસર કાનૂની સૂચના આપવા માટે બંધાયેલા છે. આ મૂલ્યાંકન માટે નિર્ણયની જરૂર છે અને મોડેલને સોંપી શકાતી નથી.
આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં મદદ કરે છે
ક્વેસ્ટ
AI ભૂમિકા
કોની પાસે નિર્ણય/મંજૂરી છે?
પ્રક્રિયા ટ્રેકિંગ, પેટર્ન માર્કિંગ
ચેતવણીઓ જનરેટ કરી રહ્યું છે
અનુપાલન વિશ્લેષક તપાસ કરે છે
નામ/મંજુરી/PEP સ્ક્રીનીંગ
મેચ ઉમેદવાર
અનુપાલન અધિકારી પુષ્ટિ કરે છે
ગ્રાહક ફાઇલ સારાંશ
સારાંશ ડ્રાફ્ટ
વિશ્લેષક પુષ્ટિ કરે છે
જોખમ પ્રોફાઇલ ડ્રાફ્ટ
વર્ગીકરણ ડ્રાફ્ટ
પાલનની પુષ્ટિ કરે છે
STR ટેક્સ્ટ ડ્રાફ્ટ
ટેક્સ્ટ ડ્રાફ્ટ
અધિકૃત અનુપાલન અધિકારી નિર્ણય/સહી
મોડેલ પ્રી-સ્ક્રીનિંગ અને દરેક લાઇનનો મુસદ્દો તૈયાર કરે છે; શંકાસ્પદ વ્યવહારોની જાણ કરવાનો નિર્ણય અધિકૃત અનુપાલન અધિકારી પર રહેલો છે.
ખોટા મેચની સમસ્યા
આ તે છે જ્યાં નામ સ્કેનિંગ સૌથી સામાન્ય ભૂલો પેદા કરે છે. "મેહમેટ યિલમાઝ" નામના હજારો લોકો છે; પ્રતિબંધોની સૂચિ પરનો "મહેમત યિલમાઝ" અને તમારો ગ્રાહક એક જ વ્યક્તિ હોવો જરૂરી નથી. આને ખોટા હકારાત્મક મેચ કહેવામાં આવે છે. અનુપાલન અધિકારીએ જન્મતારીખ, રાષ્ટ્રીયતા, ઓળખ નંબર વગેરે જેવા વધારાના ઓળખકર્તાઓ સાથે મેચની પુષ્ટિ કરવી આવશ્યક છે. બંને ભૂલો ગંભીર છે: નિર્દોષ ગ્રાહકને મંજૂર જાહેર કરવો અને વાસ્તવિક મેચ ખૂટે છે. તેથી, નિર્ણય વ્યક્તિ પર છે.
નોંધ: "મૅડલ મેળ ખાતું" નો અર્થ "વ્યક્તિ એક છે" એવો નથી. ગ્રાહકને ભૂલથી મંજૂર તરીકે જાહેર કરવાથી માત્ર તે વ્યક્તિને ગંભીર નુકસાન થતું નથી પરંતુ બેંકને કાનૂની જોખમ પણ પડે છે. મેચ હંમેશા વધારાના ઓળખકર્તાઓ સાથે કન્ફર્મ થાય છે.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) પ્રક્રિયા પેટર્ન પૂર્વ મૂલ્યાંકન:
તમારી ભૂમિકા: એએમએલ વિશ્લેષકના સહાયક જે સમીક્ષા તૈયાર કરે છે. સજા. અનામી વ્યવહારોની શ્રેણી: [10 દિવસમાં 9,800 TLની 6 અલગ ડિપોઝિટ, અલગ-અલગ ATM]. કાર્ય: આ શ્રેણી કયા જાણીતા લોન્ડરિંગ પેટર્ન (સ્ટ્રક્ચરિંગ, ઝડપી પ્રવેશ-બહાર વગેરે) સમાન હોઈ શકે છે? ડેટાની દરેક સમાનતાને એટ્રિબ્યુટ કરો; "પ્રશ્નવાચક ચુકાદો" નાખશો નહીં; સમીક્ષા કરવા માટેના પ્રશ્નોની યાદી બનાવો.
2) નામ મેચ કન્ફર્મેશન ચેકલિસ્ટ:
ગ્રાહકનું નામ અમલીકરણ/PEP સૂચિ સાથે મેળ ખાય છે. વધારાના ઓળખકર્તાઓની સૂચિ બનાવો અને અનુપાલન અધિકારીએ ખોટા મેળને નકારી કાઢવા માટે તપાસ કરવી જોઈએ તે પગલાં. ન્યાય ન કરો; માત્ર પુષ્ટિકરણ પ્રશ્ન સમૂહ જનરેટ કરો. (ઉદાહરણ તરીકે: જન્મ તારીખ, રાષ્ટ્રીયતા, ID નંબર, સરનામું ઓવરલેપ.)
3) ગ્રાહક ફાઇલ સારાંશ (KYC સમીક્ષા):
તમારી ભૂમિકા: KYC ફાઇલ સારાંશ સહાયક. મેં તમને આપેલી અનામી ફાઇલ નોંધોના આધારે નવી માહિતી ઉમેરો. કાર્ય: ક્લાયન્ટ જોખમ મૂલ્યાંકનનો વ્યવસ્થિત, તટસ્થ સારાંશ બનાવો; કોઈપણ અસ્પષ્ટ અથવા ગુમ થયેલ બિંદુઓને "[પુષ્ટિ જરૂરી]" તરીકે ચિહ્નિત કરો. અનુપાલન અધિકારી જોખમ વર્ગનો નિર્ણય લેશે.
4) STR ટેક્સ્ટ ડ્રાફ્ટ:
તમારી ભૂમિકા: મદદનીશ જે શંકાસ્પદ ટ્રાન્ઝેક્શન રિપોર્ટિંગનો ડ્રાફ્ટ કરે છે. માત્ર ચકાસાયેલ તારણો પર આધારિત, અનુમાન ઉમેરશો નહીં. વ્યવહારને શા માટે શંકાસ્પદ માનવામાં આવે છે તે તટસ્થ, વાસ્તવિક ભાષામાં સમજાવો. અંતિમ સૂચના નિર્ણય અને સહી અધિકૃત અનુપાલન અધિકારીની છે; આ એક ડ્રાફ્ટ છે. તારણો: [ચકાસાયેલ વ્યવહાર અને અવલોકન નોંધો]
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
જો આ ગ્રાહક શંકાસ્પદ હોય તો નક્કી કરો, શું મારે STR કરવાની જરૂર છે? જો નામ સૂચિ સાથે મેળ ખાતું હોય, તો સીધા મંજૂર કરવાનું વિચારો.
તેને મોડેલમાંથી કાનૂની ચુકાદાની જરૂર છે, મેળ ખાતી ન હોવાને અવગણે છે અને ઓડિટ ટ્રેઇલ સ્થાપિત કરતું નથી.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: અનુપાલન વિશ્લેષકને પ્રી-સ્ક્રીનિંગ અને ડ્રાફ્ટિંગ પ્રદાન કરનાર સહાયક, નિર્ણય લેનારને નહીં. જાણીતા જોખમોની સમાનતા માટે ટ્રાન્ઝેક્શન પેટર્નને આઇટમાઇઝ કરો; દરેક આઇટમને ડેટા સાથે કનેક્ટ કરો. "ઉમેદવાર" સાથે મેળ ખાતા નામને ધ્યાનમાં લો અને વધારાના ઓળખકર્તાઓ સાથે પુષ્ટિકરણ પ્રશ્નો જનરેટ કરો. STR જોગવાઈ અને સહી અધિકૃત અનુપાલન અધિકારીની છે. અનિશ્ચિતતાઓને ચિહ્નિત કરો.
મજબૂત વિનંતી પ્રી-ક્વોલિફાયરને ડ્રાફ્ટ તરીકે સ્થાન આપે છે, અસંગતતાને ધ્યાનમાં લે છે અને નિર્ણય અધિકારી પર છોડી દે છે.
ત્રણ નાના કેસો
કેસ 1 — રૂપરેખાંકન કેપ્ચર થયેલ છે. આ મોડેલ 8 દિવસમાં જુદી જુદી શાખાઓમાંથી ખાતામાં 9,500-9,900 TLની રેન્જમાં 7 ડિપોઝિટ સૂચવે છે; બધા રિપોર્ટિંગ થ્રેશોલ્ડની નીચે. વિશ્લેષક તેની સમીક્ષા કરે છે, શોધે છે કે તે ક્લાયન્ટની જાહેર કરેલી પ્રવૃત્તિ સાથે અસંગત છે, અને અધિકૃત અનુપાલન અધિકારી STR ડ્રાફ્ટની ચકાસણી કરે છે અને મંજૂર કરે છે. મોડેલ પૂર્વ-લાયકાત, નિર્ણય માનવતાપૂર્વક લેવામાં આવ્યો હતો.
કેસ 2 — ખોટો મેળ કાઢી નાખવામાં આવ્યો છે. સ્ક્રિનિંગ મંજૂર સૂચિમાંના નામ સાથે ગ્રાહક સાથે મેળ ખાય છે. અનુપાલન અધિકારી જન્મ તારીખ અને રાષ્ટ્રીયતાની તુલના કરે છે: તેઓ મેળ ખાતા નથી. આ એક મેળ ખાતી નથી; ગ્રાહકને કોઈ નુકસાન પહોંચાડ્યા વિના રેકોર્ડ કાપવામાં આવે છે. જો તેને આપમેળે "મંજૂર" તરીકે ચિહ્નિત કરવામાં આવશે, તો નિર્દોષ વ્યક્તિને ગંભીર રીતે નુકસાન થશે.
કેસ 3 - ઓવર-ઓટોમેશનનું જોખમ. એક ટીમ મોડેલ દ્વારા ઉત્પાદિત તમામ ચેતવણીઓને ક્યારેય સમીક્ષા કર્યા વિના STRમાં આપમેળે રૂપાંતરિત કરવાની દરખાસ્ત કરે છે. આ નકારવામાં આવે છે: માત્ર મોટા ભાગની ચેતવણીઓ ખોટા હકારાત્મક જ નથી, પરંતુ એક ગેરવાજબી, ઑડિટ-ટ્રાયલેસ સૂચના પ્રવાહ MASAK અને કાયદાની સામે અસુરક્ષિત છે. પ્રક્રિયાને માનવ સમીક્ષા અને ઓડિટ ટ્રેઇલ સાથે ફરીથી બનાવવામાં આવે છે.
શા માટે ઓડિટ ટ્રેલ એએમએલની કરોડરજ્જુ છે
AML માં, તમે તે સૂચના શા માટે બનાવી (અથવા તમે તે શા માટે ન કરી) તે બતાવવા માટે સક્ષમ થવા માટે સૂચના બનાવવી તેટલું જ મહત્વપૂર્ણ છે. વર્ષો પછી જ્યારે ઓડિટર આવ્યા ત્યારે તેમણે કહ્યું "તમે આ ચેતવણી જોઈ, તમે STR કેમ ન કર્યું?" તે પૂછી શકે છે; તમારો જવાબ રેકોર્ડ અને વાજબી હોવો જોઈએ. તેથી જ AML પ્રક્રિયામાં દરેક પગલું એક નિશાન છોડે છે:
- ચેતવણીનો રેકોર્ડ: કયા નિયમ/મોડેલે કઈ ક્રિયા, કયા સ્કોર સાથે ચિહ્નિત કર્યું છે.
- સમીક્ષાનો રેકોર્ડ: વિશ્લેષકે શું જોયું, તેણે કઈ વધારાની માહિતી એકત્રિત કરી, શું ગ્રાહક સાથે સંપર્ક હતો?
- નિર્ણય માટેનું સમર્થન: STR કરવામાં આવ્યું હતું/નહોતું અને શા માટે; કોણે મંજૂર કર્યું?
AI ઝડપથી આ રેકોર્ડ્સના ડ્રાફ્ટ તૈયાર કરી શકે છે; પરંતુ રેકોર્ડની ચોકસાઈ અને સંપૂર્ણતા પાલન અધિકારીની જવાબદારી છે. એએમએલમાં "અમે નિર્ણય લીધો પરંતુ અમે તે શા માટે લીધો તે લખ્યું નથી" ની સ્થિતિ એ એએમએલમાં સૌથી વધુ અસમર્થ સ્થિતિ છે.
ટીપ: સારી ઓડિટ ટ્રેઇલ નિર્ણય સમયે કરવામાં આવેલી નોંધ પર આધારિત છે, "હું તેને પછીથી યાદ રાખીશ" ધારણા પર આધારિત નથી. સમય પસાર થવાથી વિગતો ભૂંસી જાય છે; નિર્ણય સાથે વારાફરતી તર્ક રેકોર્ડ કરો. આ કાયદો અને સ્વ-રક્ષણ બંને માટે મહત્વપૂર્ણ છે.
સામાન્ય ભૂલો
- મોડેલને પ્રબળ બનાવવું. ચેતવણીને સ્વચાલિત STR માં રૂપાંતરિત કરવું; STR એ કાનૂની નિર્ણય છે, તે અનુપાલન અધિકારીનો છે.
- ખોટી મેચને અવગણવી. નામની સમાનતાની પુષ્ટિ કર્યા વિના ગ્રાહકને મંજૂર તરીકે ધ્યાનમાં લેવું.
- ગ્રાહકને શંકા જાહેર કરવી. "તમારા વિરુદ્ધ લોન્ડરિંગની શંકા છે" એમ કહેવું (ટિપિંગ-ઓફ); મોટાભાગના કાયદાઓમાં તે પ્રતિબંધિત છે.
- ઓડિટ ટ્રેઇલ છોડતા નથી. ચેતવણી, સમીક્ષા અને નિર્ણય માટેના તર્કનું દસ્તાવેજીકરણ કરવામાં નિષ્ફળતા.
- વાસ્તવિક લાભાર્થીને બાયપાસ કરીને. ફંડના વાસ્તવિક માલિકની ચકાસણી કર્યા વિના KYC પૂર્ણ કરવું.
ધ્યાન: AML/KYC ક્ષેત્રમાં ખામી વર્ષો પછી ઓડિટમાં જાહેર થઈ શકે છે અને બેંક પર ભારે વહીવટી દંડ લાદવામાં આવી શકે છે. તેથી, દરેક નિર્ણય તર્કસંગત, રેકોર્ડ અને માનવ-મંજૂર હોવા જોઈએ; "સિસ્ટમ નિષ્ફળ ગઈ" એ બહાનું નથી.
સારાંશમાં
KYC ગ્રાહક અને ભંડોળના સ્ત્રોતને ઓળખે છે, AML વ્યવહારો પર નજર રાખે છે અને શંકાસ્પદ વ્યક્તિને ઓળખે છે; STR દ્વારા MASAK ને સૂચના આપવામાં આવે છે. ટ્રાન્ઝેક્શન મોનિટરિંગ, સ્ક્રિનિંગ અને કેસના સારાંશમાં AI એક શક્તિશાળી પ્રી-સ્ક્રિનર છે, પરંતુ STR અને અમલીકરણ ચુકાદો અધિકૃત અનુપાલન અધિકારી પર આધારિત છે. ખોટા મેચોને વધારાના ઓળખકર્તાઓ સાથે દૂર કરવામાં આવે છે, ઓડિટ ટ્રેલ દરેક પગલા પર જાળવવામાં આવે છે, ગ્રાહકને કોઈ શંકા જાહેર કરવામાં આવતી નથી. એક વાક્યમાં: AI શંકાસ્પદને હાઇલાઇટ કરે છે; અધિકૃત અધિકારી સૂચના અને પાલનનો નિર્ણય લે છે.
એપ્લિકેશન કાર્ય
વ્યવહારોની અનામી શ્રેણીને વ્યાખ્યાયિત કરો (જેમ કે બહુવિધ સબથ્રેશોલ્ડ થાપણો) અને પેટર્ન 1 સાથે પેટર્નનું પૂર્વ-મૂલ્યાંકન કરો. પછી નામ મેચ દૃશ્ય બનાવો અને 2જી નમૂના સાથે પુષ્ટિકરણ ચેકલિસ્ટ બનાવો અને જ્યારે જન્મ તારીખ/રાષ્ટ્રીયતા મેળ ન ખાતી હોય ત્યારે તમારો નિર્ણય લખો. છેલ્લે, 4થા નમૂના સાથે STR ડ્રાફ્ટ બનાવો અને તેને અનુમાન માટે તપાસો; અંતિમ નિર્ણય કોની પાસે છે તે નોંધો.
ચેકલિસ્ટ
- [ ] મેં ચેતવણીને પ્રી-એમ્પેટીવ ગણી હતી; મેં તેને સ્વચાલિત STR માં કન્વર્ટ કર્યું નથી.
- [ ] મેં વધારાના આઇડેન્ટીફાયર (મેચમેચ ચેક) સાથે નામ મેચની પુષ્ટિ કરી છે.
- [ ] KYC માં, મેં વાસ્તવિક લાભાર્થી અને ભંડોળના સ્ત્રોતનું અવલોકન કર્યું.
- [ ] મેં ગ્રાહકને શંકા જાહેર કરી નથી (ટિપિંગ-ઓફ પ્રતિબંધ).
- [ ] મેં દરેક પગલાના તર્ક અને ઓડિટ ટ્રાયલ રેકોર્ડ કર્યા.
- [ ] મેં STR/અનુપાલનની જોગવાઈ અધિકૃત અધિકારીને છોડી દીધી છે.