“主体画像”对可疑置信度为60%~100%的案例主体的“主体特征”和“交易特征”进行了选择性展示，涵盖交易概况、交易渠道、交易对手、交易地点等关键要素，对数据有效融合和利用，充分发挥数据的价值。（可疑置信度代表系统模型对于该主体可疑程度的估算，数值越高代表该主体越可疑。）

系统主页面示例（图例1）

交易数据曲线图（图例2）

（二）规则管理

“规则管理”功能模块为系统的隐藏菜单。在可疑交易识别中，运用机器学习技术学习过去已有的可疑案例，全方位提取与洗钱行为关联的信号，结合“专家规则“和数据计算，建立的“智能规则模板“，用于展示案例主体对于反洗钱场景下特定规则模板的触发情况。规则模板包含疑似套现、疑似毒品、疑似赌博等涉罪类型，同时在每项规则模板下再设置若干项指标，通过规则触碰功能，能有效帮助监测人员分析案例的涉罪类型和可疑程度。

目前系统包含夜间交易、第三方支付等26个指标，监测分析人员可以通过规则库页面的模板管理功能，将系统已有的指标进行组合，配置成为不同的规则模板。规则模板作为指标的集合，可以适用于甄别不同反洗钱犯罪形式。当同一指标被添加至不同的规则模板中时，可以设置不同的阈值以适配不同的模板所对应的场景，并基于规则模板中不同特征的权重，挖掘出具有地域和行业属性的洗钱套路，帮助监测分析人员进行反洗钱的认知拓展。

规则管理（图例3）

（三）任务列表和名单维护

“任务列表和名单维护”模块为系统的辅助功能菜单。

任务列表是反洗钱生成案例的总览，用于监测分析人员内部的任务分配以及案例状态的追踪。所有案例默认以“待审核”状态展示，经过审核后变为“已排除”或者“已上报”，沉淀至列表底端。该功能支持监测分析人员进行审核意见的修改，以及历史主体画像的简化展示。

名单维护功能包括：监控名单、白名单、身份属地、干扰账号等内容。其中监控名单作为系统指标中的“致命规则”，直接通过已确认上报的可疑交易案例主体的关联交易对手进行识别，扩大监测的覆盖范围，精准勾勒资金交易链条。名单维护中的身份属地功能，是通过身份证号码识别案例主体的身份属地，用于涉恐资金交易的分析识别。

客户身份归属地分析（图例4）

四、系统建设过程

2019年初，西安银行与深圳追一科技公司接洽，历时6个月完成“反洗钱AI智能监测系统”的需求讨论和立项，并同期开始系统项目开发，当年11月份一期功能上线试运行。

系统建设大致经过以下四个阶段：

阶段一：系统可行性分析及需求梳理。西安银行反洗钱中心2017年成立，通过大量的可疑交易监测分析，对于非法传销、非法集资、电信诈骗等涉众型犯罪识别积累了一定经验和数据资料。与科技人员经过多轮的沟通讨论，将人工经验、数据资料和人工智能技术充分结合，再不断的设计和修改，最终确定了在行内建设一套“反洗钱AI辅助监测分析系统”项目。

阶段二：数据及流程梳理。可疑交易监测的数据来自行内不同系统，需要在系统内部对各系统的数据进行梳理和整合，并确认统计口径。经过两个月的数据梳理，建立统一的数据仓库及数据接口，努力实现数据标准化及消除数据孤岛。依据历史上报案例主体特征，初步建立了人工智能筛查模型，对交易信息进行透彻解析，大幅提高可疑交易监测识别的精准率。

阶段三：智能筛查及分析审核。通过模型提炼出数十个机器学习的核心特征，再根据回溯周期的不同（1 天、10 天、20天、30天和60天）裂变为数百个特征。经过数据降维和模型训练后，系统引擎实现每天以跑批的形式对机构内所有发生交易的主体进行“可疑置信度”的输出，转化为支撑案例分析的佐证信息。

阶段四:系统开放及自我优化。将反洗钱AI智能监测系统开放给反洗钱中心业务人员。通过系统对可疑主体进行初次定位，形成案例提交至业务人员进行人工审核。系统的机器学习技术在业务人员使用过程中不断积累经验，每次人工填写案例意见，都可以视为是对机器学习模型的一次标注。也就是说，模型会“记住”每次人为决策的结果和促成该结果的数据集，通过循环往复的训练，模型本身的业务水平也在不断提高，实现自优化。

五、系统应用成效

（一）提升可疑交易甄选效率和识别的精准度

传统的反洗钱交易监测系统规则设置普遍运用“专家规则”来进行案例的筛选，如“交易频繁”规则，会设定例如【累计交易次数大于30次】这样的阈值，阈值的设定依赖主观性，阈值的调整本身也没有一个确定的标准。这就导致传统的“专家规则”在案例筛选方面容易出现漏洞，也是现在监测分析人员漏报、误报的原因之一。“专家规则”第二个短板则是阈值本身“一刀切”的性质，例如前面提到的交易频率定义，如果某主体在5天内的交易次数为29次，系统则不会将其筛选出来，但实际上这里“29次交易”与“30次交易”之间的区别并不应达到白与黑之间的反差程度，只不过规则阈值自身的性质造成了这种颇具争议的“二分法”效果，也是产生目前金融机构反洗钱监测预警案例中高达90%甚至95%以上误报率的主要原因。

人工智能可以有效弥补专家规则短板，使得反洗钱预警案例的甄别准确率大大提升。智能监测系统通过机器学习技术，摒弃了“规则”而引入“特征标签”这个概念，这些特征可以被理解为逻辑回归里的自变量，负责最终的可疑程度输出的精细度。与规则不同的是，机器学习模型有着强大的泛化能力，在特征的定义中不需要精确到具体数字。例如我们可以直接把“累计交易次数”作为一个特征，而不用去具体定义是多少次。通过数据分析、关联分析等技术手段，识别异常交易和关系图谱，然后从足够大的数据中列出特征量所对应的值，让系统从中建立一种规则，它能归纳出每个特征量所对应的值，然后可以给定特征量要求值，或是给定值要求找特征量。

人工智能还可以对通过”专家规则”无法识别的隐藏在正常贸易交易和低频转账交易中的可疑交易，通过机器学习提炼出识别的关键数据特征，进行分析计算实现有效识别。

反洗钱AI智能监测系统在进行数据处理时，能够对每日15-20万户左右的交易主体，通过算法模型赋予其相应的可疑置信度，而这个介于0%~100%之间的数值，可以被用来直观地表示一个案例主体“洗钱嫌疑”的大小。较为有效的解决传统系统规则“非黑即白”的方式可能产生可疑交易案例的少预警、多预警的情况。

（二）知识图谱—“主体画像”技术的使用

“反洗钱AI智能监测系统”整合相关数据信息，以案例主体为维度，分析其身份特征、行为特征、交易特征、关联人员特征等信息，构建了集账户属性、交易特质以及资金网络的知识图谱，尽可能的还原洗钱场景，最终向监测分析人员较为直观的展示“客户主体画像”。

（三）促进规则模型调优和改进

智能监测系统的机器学习技术，一方面可以在业务人员使用过程中积累经验自我进化，另一方面也可以通过特征泛化攫取新的业务规则点。反洗钱工作人员每次填写案例意见，都可以视为是对机器学习模型的一次标注；也就是说，模型会“记住”每次人为决策的结果和促成该结果的数据集，自动学习监测分析人员的分析思路，作为机器学习的辅助修正手段，全方位提取与反洗钱行为关联的信号，用以持续优化识别模型。通过循环往复的训练，模型本身的业务水平也在不断提高，无限趋近一名真正的反洗钱专家。

（四）有效提高人工分析准确率和效率

在启用智能监测系统前，经可疑交易模型规则过滤出的海量可疑交易，主要依靠人工进行审核，监测分析人员往往要通过多个系统、十多个报表，查看其身份信息、账户信息、交易信息、交易对手的关联性等，必要时还要通过工商企业公示系统、企查查等查询工具，尽可能多的获取相关信息，集合各方数据，甄别案例主体是否存在风险，交易是否正常，整个过程不但复杂而且耗时。特别是对一些交易多样，隐蔽性强的账户，可能会耗费几个小时或更久。

而处理海量的、非结构化的数据，恰恰是人工智能最擅长的领域。智能监测系统在数据搜索和整合方面效果表现突出，能够节省50%以上的人工数据分析工作量。系统通过技术手段，实现了在短短的几分钟内完成搜索、数据整合、形成图表、输出结果（可疑置信度），并自动生成可疑交易分析研判的文字描述，有效的提高了监测分析人员的案例处理效率。反洗钱中心将原本需要8个人力进行的案例处理工作，缩减为6个人力进行，节省部分人力成本。

（五）历史数据的回溯排查

基于大数据技术和机器学习的智能监测系统，可以实现对海量数据的存储和对历史交易进行计算。

在进行历史可疑交易回溯性识别时，各金融机构都会关注系统的计算能力和计算成本。目前智能辅助分析系统在数据存储方面会将最重要的120-150个目标主体所有可被检视之统计结果进行保存，而剩余的十来万数据进行数据冷备。即若需要查看某些非目标主体，系统即时进行统合计算，再输出到前端处，这使得反洗钱业务有效地降低了储存成本。

通过对4662户涉及工商异常名录的非自然人账户进行批量回溯排查测试，智能监测系统实现了在短时间（一天内）内完成历史数据的搜索、计算、并输出结果报表。

六、进一步的设想及应用

通过大数据挖掘、知识图谱等人工智能技术的逐步运用，构建更加智能的洗钱嫌疑主体的全息、立体画像，不但要包括客户的基本身份信息、账户信息、较为简单的交易信息外，还要涵盖交易链条、资金交易关系网络、对手特征、行为偏好、客户关系、风险标签等多项维度，精准识别洗钱网络和可疑特征网络。

探索引入可靠的第三方数据资源，为反洗钱工作提供更广阔的视角。系统实现可随时调用，及时查询到客户隐匿在机构之外的其他深度信息，作为反洗钱甄别研判时的强有力证明。

本文完整版在金融业数字化创新知识服务平台 - 金科创新社案例库栏目。返回搜狐，查看更多