Automatisering van KYC met behulp van deep learning

AML-regelgeving kan echter van bedrijven vereisen dat ze persoonsgegevens bewaren lang nadat een zakelijke relatie is beëindigd, terwijl de GDPR voorschrijft dat persoonsgegevens niet "langer dan nodig voor het doel waarvoor de persoonsgegevens worden verwerkt" mogen worden bewaard. Om aan deze tegenstrijdige vereisten te voldoen, moeten bedrijven manieren vinden om persoonsgegevens te beveiligen die niet langer verbonden zijn aan een bestaande zakelijke relatie, maar die voor AML-nalevingsdoeleinden ten minste vijf jaar bewaard moeten blijven. Best lastig!

Waar veel KYC processen tekortschieten

Een groeiend aantal bedrijven dat aan AML en KYC moet voldoen, gebruikt een semi-geautomatiseerde aanpak voor het verzamelen en evalueren van alle documenten. Maar ideaal is het niet.

Neem bijvoorbeeld een bank die rekeningen en beleggingsfondsdiensten aanbiedt of een verzekeringsmaatschappij.

Bij het openen van een spaarrekening, termijndeposito, beleggingsrekening, verzekering, enz., moet de klant een adresbewijs en een ID bewijs met foto indienen. Banken en Verzekeringsmaatschappijen moeten elk document verifiëren door de details te controleren en te achterhalen of de documenten frauduleus zijn.

Tijdrovende KYC procedures

Vaak dus een tijdrovend proces en het vereist de inzet van "handmatige " beoordelaars. De klant moet documenten uploaden, de vereiste informatie invullen en wachten op de voltooiing van het beoordelingsproces voordat hij/zij succesvol is ingeschreven. Dit proces kan variëren van enkele dagen tot enkele weken.

Mogelijkheid tot fraude

Het detecteren van frauduleuze klanten vereist dat de handmatige beoordelaars begrijpen hoe een afbeelding kan worden gemanipuleerd, en dat is tegenwoordig met AI best makkelijk. Ze moeten ook snappen hoe ze de geëxtraheerde informatie moeten verifiëren in verschillende databases om ervoor te zorgen dat alles legitiem is en in zekere mate moeten ze raden of de foto of een handtekening vals is. Door de huidige technologie is vervalsen makkelijker geworden en vaak nauwelijks van echt te onderscheiden. Handmatige beoordelaars kunnen dus vaak niet met 100% zekerheid garanderen of een foto of een handtekening vals is.

Kwaliteitscontrole van afbeeldingen

Wanneer een potentiële klant documenten als afbeeldingen uploadt, hangt het er sterk van af of de verificatie, informatie-extractie, gegevensinvoer en fraude-detectie correct worden uitgevoerd, of de beeldkwaliteit goed is, de afbeelding voldoende hoge resolutie heeft en bijv. in de juiste oriëntatie staat.

Hierdoor wordt het verificatieproces vatbaar voor fouten, wat risico's voor de instelling kan betekenen en een groot reputatierisico kan vormen.

Handmatige verificatie

Handmatige verificatie maakt deel uit van de meeste KYC-verwerkingsworkflows en ze zijn, zoals besproken, dus niet het meest efficiënt. Verschillende beoordelaars moeten verschillende documenten doornemen, ervoor zorgen dat de informatie correct is en controleren op fraude. Mensen zijn bij lange na niet zo snel als computers en het automatiseren van dit proces kan veel tijd en geld besparen voor een instelling. Bovendien zullen klantevredenheid en werknemerstevredenheid stijgen wanneer de processen snel en soepel verlopen.

Handmatige gegevensinvoer

Alle informatie die aan een organisatie wordt verstrekt, moet worden ingevoerd in software die opslag en indexering van deze informatie mogelijk maakt. Dit gegevensinvoerproces wordt afgehandeld door mensen die intypen wat ze in een document lezen. Dit is dus inderdaad een zeer traag proces, het vereist meerdere mensen die meerdere uren werken en is daarom gevoelig voor fouten. De fouten kunnen te wijten zijn aan slechte afbeeldingen, verkeerde gegevens die verstrekt zijn of gebrek aan concentratie of vermoeidheid bij de medewerker.

Minder klanten en al ontevreden bij de start

Het moeten doorlopen van een lang KYC proces zoals het uploaden van allerlei documenten, het laten verifiëren ervan, het maken van correcties in de door de organisatie gemaakte invoer etc. etc. kan leiden tot ontevredenheid. KYC is een proces dat meestal langer dan een week duurt, dat schaadt de tevredenheid. Je wilt de legitieme klanten niet te lang laten wachten, maar je wilt je KYC ook goed uitvoeren. Een dilemma dus.

Schade aan klanttevredenheid

Een proces dat lang duurt en het feit dat de procedures niet waterdicht zijn kan ertoe leiden dat legitieme klanten als frauduleus worden beschouwd en op elk moment worden uitgeschreven, wat leidt tot ontevreden klanten. Dit kan veranderen door slimmere algoritmen te gebruiken die het inschrijvingsproces met hoge nauwkeurigheid en op hoge snelheiden kunnen voltooien.

Het KYC-automatiseringsprobleem oplossen

Het automatiseren van het KYC proces omvat verschillende stappen en vereist dat we zorgvuldig omgaan met gegevens en duidelijke procedures hanteren, zodat we ervoor kunnen zorgen dat de organisatie kosten kan besparen terwijl tegelijkertijd de efficiëntie van het proces wordt verhoogd.

Automatiseer kwaliteitscontroles van afbeeldingen

Vaak kan een slechte ID afbeelding het KYC verificatieproces met dagen of weken vertragen. De klant moet nieuwe afbeeldingen uploaden en dat gebeurt pas nadat de instelling de klant heeft geïnformeerd over de slechte beeldkwaliteit.

Er zijn verschillende factoren waarmee rekening moet worden gehouden bij het controleren van de beeldkwaliteit, en die kunnen beter worden gedaan met computervisie-algoritmen dan met handmatige beoordelaars. Hierdoor kunnen we klanten direct feedback geven over de afbeeldingen, of ze nu wazig zijn, in de verkeerde oriëntatie staan, enz. Directe feedback krijgen betekent ook dat klanten nu binnen enkele minuten de documentupload correct kunnen voltooien in plaats van dagen te wachten op een bevestiging van het bedrijf.

Automatiseer documentverificatie

Zodra afbeeldingen van goede kwaliteit het bedrijf bereiken, moeten deze afbeeldingen worden geverifieerd aan de hand van de juiste documentsjablonen en moeten handmatige beoordelaars bevestigen dat alle vereiste informatie aanwezig is in de geüploade bestanden. Dit kan opnieuw een vertraging in het proces veroorzaken als de documenten verkeerd zijn, niet zijn geattesteerd (wanneer het document niet officieel is geverifieerd, bekrachtigd of bevestigd door een bevoegde autoriteit of persoon), of niet alle benodigde informatie hebben.

Het gebruik van objectdetectie- en OCR-modellen die zijn getraind op een brede dataset van formulieren en documentgegevens kan helpen verifiëren of bijvoorbeeld de getoonde afbeelding van een rijbewijs of een paspoort is en snel een akkoord geven, of een afkeuring.

Automatiseer Fraudedetectie

Compliant zijn met wet- en regelgeving betekent ervoor zorgen dat niet legitieme klanten worden weerhouden van het doen van legitieme transacties onder valse voorwendselen. Dit vereist om mensen uit te sluiten die op wat voor manier dan ook verdacht handelen of lijken. Dit proces, wanneer uitgevoerd door mensen, is niet altijd 100% betrouwbaar, aangezien digitaal gemanipuleerde afbeeldingen gemakkelijk een mens kunnen misleiden en frauduleuze transacties niet als zodanig zichtbaar zijn op het eerste gezicht. Boetes en reputatieschade kunnen het gevolg zijn, terwijl er bij de medewerker en instelling geen enkele sprake is van foute bedoelingen. Toch kan er een boete volgen vanwege het ontbreken van voldoende nalevingsmechanismen en nalatigheid. Om dit te voorkomen, kan het trainen en gebruiken van machine learning-modellen (die samenwerken met echte mensen) om fraude te detecteren de efficiëntie aanzienlijk verhogen en de mogelijkheid van fraude verminderen.

Automatiseer documentdigitalisatie en invoer

Nadat de beeldkwaliteit is gecontroleerd, de documenten zijn geverifieerd en op fraude is gecontroleerd, gaan deze documenten meestal door de handen van een andere persoon die deze documenten zal lezen en de benodigde informatie zal invoeren in een software zodat deze wordt geïndexeerd en opgeslagen in een database. Dit proces kan ook worden geautomatiseerd. Met de juiste objectdetectie- en OCR-modellen kunnen velden worden geïdentificeerd, gelokaliseerd en kan de tekst erin automatisch worden geëxtraheerd en ingevoerd in databases met weinig of geen menselijke tussenkomst en een bijna 90% reductie in de verbruikte tijd.

Wat AI Personeelstraining kan doen om de KYC processen te verbeteren

AI Personeelstraining kan zowel grote als kleine instellingen ondersteunen bij het efficiënter maken van de KYC-procedures. Door geavanceerde technieken zoals OCR, machine learning en deep learning te gebruiken, kunnen relevante gegevens uit ongestructureerde data worden geëxtraheerd. Dit maakt het mogelijk om tekst of gegevens uit afbeeldingen, gescande documenten en bestanden met hoge nauwkeurigheid te halen. Bovendien verbeteren machine learning-algoritmen de nauwkeurigheid in de loop van de tijd en kunnen ze worden geïntegreerd met andere systemen.

Een dergelijk AI-platform kan op maat worden gemaakt om aan specifieke behoeften te voldoen, waardoor data uit elk document sneller kan worden gehaald. Dit resulteert in een automatisering van alle handmatige gegevensinvoerprocessen, een nauwkeurige extractie van gegevens uit diverse documenten en een vermindering van de tijd die wordt besteed aan inefficiënte handmatige taken.

Bronnen

Dit artikel is geschreven met informatie uit oa. de volgende bronnen:

1. AI for KYC: Everything You Need to Know - InData Labs - Dit artikel bespreekt hoe AI wordt gebruikt in KYC-processen, de uitdagingen en voordelen, en hoe het de klanttevredenheid kan verbeteren.
2. What is KYC in Banking? - Thales - Dit artikel legt uit wat KYC is in de banksector en hoe het wordt gebruikt om risico's te verminderen.
3. KYC and AML: Enhancing Compliance, Security & CX with Remote KYC - Truststamp Blogs - Dit blogbericht verkent de fundamentele concepten van KYC en AML en hoe remote KYC een naadloze klantbeleving kan bieden.