bulletin avril 2018 - with corrections - acamsfiles.acams.org/pdfs/2018/bulletin_avril_2018.pdf ·...
TRANSCRIPT
En tout temps, vous pouvez soumettre vos articles pour parution dans le bulletin de la section ACAMS Montréal. Une actualité a capté votre attention? Vous souhaitez partager votre opinion? Vous voulez revenir sur un des sujets abordés lors d'un événement ACAMS Montréal? Nous voulons vous lire!
BULLETINBULLETIN NO 6 - AVRIL 2018
CALENDRIER DES ÉVÉNEMENTS 2018
MOT DU COMITÉ DE DIRECTION
Au nom du conseil d'administration de la section ACAMS Montréal, nous aimerions vous présenter le premier bulletin de l?année 2018.
Comme toujours, notre but est de présenter des sujets pertinents et au goût du jour. Ceci vous permet de suivre les changements constants et les défis liés à la lutte au blanchiment d'argent et au financement du terrorisme.
Si vous avez manqué la journée conférence 21 septembre 2017, ce bulletin vous donnera les faits saillants de l'événement ainsi que la liste des professionnels hautement respectés qui nous ont fait part de leurs points de vue et leurs opinions.
Si vous avez des suggestions pouvant être intéressantes ou si vous souhaitez contribuer aux prochains bulletins en préparant un article pertinent, le conseil d'administration est toujours ouvert à recevoir vos suggestions et articles.
19 AVRIL 2018PETIT-DÉJEUNER CAUSERIE
CRYPTOMONNAIES
5 JUIN 2018PETIT-DÉJEUNER CAUSERIE
INTELLIGENCE ARTIFICIELLE
11 SEPTEMBRE 2018JOURNÉE-CONFÉRENCE
ÉVÉNEMENT D'UNE JOURNEE
20 NOVEMBRE 2018PETIT-DÉJEUNER CAUSERIE
SUJET A VENIR
LES DATES ET THÈMES SONT SUJETS À CHANGEMENT
RETOUR SUR LA JOURNÉE CONFÉRENCE DU 21 SEPTEMBRE 2017
CONFERENCIERS Pour sa première journée conférence, le 21 septembre dernier, à l?hôtel Omni Mont-Royal, la section ACAMS Montréal a choisi d?évoquer autant de sujets qu?il y avait de pays représentés parmi les conférenciers.
C?est ainsi que la journée démarra avec une conférence relative à la coopérat ion int ernat ionale en m at ière de lut t e cont re le f inancem ent du t er ror ism e. Pour ce faire, le chapitre montréalais a réussi à faire ce qu?aucune autre section n?avait pu réaliser jusqu?à maintenant : réunir les directeurs de 4 importantes cellules de renseignement financier (CRF) chargées, entre autres, de la réception et de l?analyse des déclarations d?opérations suspectes et de la diffusion d?informations touchant au domaine de la lutte au blanchiment d?argent et au financement des activités terroristes dans un soucis de partage de l?information financière.
Chaque CRF a également pour but d?assurer la mise en application des recommandations imposées par le Groupe d?Action Financière (GAFI). Les objectifs du GAFI sont de diffuser le message de la lutte au blanchiment d?argent à travers le monde et de s?assurer que chacun des pays membre contribue à l?application des recommandations qu?il émet.
Habilement orchestré par Jérôm e Beaum ont , ancien représentant de la division internationale de la cellule de renseignements financiers française TRACFIN et actuel secrétaire exécutif du Groupe Egmont, le forum d?échange opérationnel pour les cellules de renseignement financier s'est révélé à la hauteur du prestige de leurs auteurs et a su captiver une salle comble.
Gérald Coset t e
Directeur du CANAFE
Canada
Jerom e Beaum ont
Secretaire excecutif du groupe Egmont
Canada
St il iano Ordoll i
Directeur du bureau de communication en matiere de blanchiment d'argent MROS aupres de l'office federale de la policeSuisse
Jam al El-Hindi
Directeur de FINCEN
Etats-Unis
Bruno Dalles
Directeur de TRACFIN
France
Chacun à leur tour, ils ont présenté le fonctionnement de leur cellule en ponctuant leur présentation d?exemples d?échanges et de collaboration ayant permis un avancement significatif de leurs dossiers.
Sur un ton de franche camaraderie, c?est avec brio que tous ont insisté sur le fait que l?échange des renseignements et la collaboration de chacune des CRF demeurent un pilier pour l?accès à l?information et permettent une connaissance à 360 degrés des personnes ou groupes contre lesquels des soupçons sont portés. Effectuer des déclarations d?opérations suspectes demeure un outil indispensable pour compiler des informations et permettre des échanges d?information complète et de qualité.
L'importance d?avoir une excellente connaissance du client a également été mise de l'avant. Les dossiers doivent être complets, mis à jour continuellement, ce qui permet de détecter rapidement un changement de comportement du client (changement dans les habitudes transactionnelles, déplacements fréquents dans des lieux qui ne sont pas en lien avec le domicile ou le lieu du travail, etc.). Enfin, une surveillance en adéquation avec la cote de risque du client permet d?identifier rapidement les écarts entre le profil et les transactions effectuées par ce dernier.
La conférence s?est poursuivie en après-midi avec la présentation de Dominic Huturbise, sur «L'implantation d'outils de surveillance automatisée en LBAFAT : les défis et les pièges à éviter ».
Dominic a partagé son expertise et son expérience acquises lors de développement et de mise en oeuvre de différents projets menés avec succès.
Plusieurs points essentiels ont été mis en exergue pour assurer la réussite de l'implantation d?un outil de surveillance efficace :
* une base solide est indispensable : intégralité et intégrité des données sont la clef de voûte de l'outil de surveillance.
* l'importance d'un développement en étroite surveillance, où les réajustements et les phases de tests doivent faire partie du processus.
* une implantation qui doit demeurer sous contrôle.
Sa présentation est éditée dans le dernière publication du magazine ACAMS Today.
Dom inic Hur t ubise
Directeur conformité, Projets de lutte au blanchiment d'argent et Intelligence d'affaires, Mouvement Desjardins
Insp. John At hanasiades
Officier responsable des opérations
Équipe intégrée sur la sécurité nationale.
C'est enfin sur l'intervention de John Athanasiades que la journée-conférence s'est terminée.
La présentation s'est basée sur les enquêtes menées par les équipes intégrées de la Sécurité Nationale, et a eue pour fil conducteur les indicateurs financiers associés aux individus qui veulent quitter le Canada pour aller combattre dans des zones de conflits.
Des cas concrets ont été mis en lumière, dont notamment l'affaire Martin Rouleau et le projet Smooth.
L'emphase a été mise sur les points suivants:
- L?importance d'identifier l?accumulation d'indicateurs de risque qui vont mener à un doute, et par la suite à une potentielle enquête.
- Une bonne connaissance du client, permettant d?identifier le plus tôt possible des indicateurs de risque et de mettre en place des surveillances adaptées.
Le comité de direction ACAMS, section Montreal, remercie tous les intervenants pour leur participation, ainsi que les commanditaires pour leur contribution à la réussite de cet
événement.
PETIT DÉJEUNER CAUSERIE DU 20 FÉVRIER 2018:
Florence Giu l ianoDirectrice Europe Stratégie Lutte contre
la Fraude et Conformité
ACAMS Montréal est fière d'offrir du contenu de qualité à ses membres et de faciliter leur développement professionnel.
Nos déjeuner-causeries sont ainsi accrédités par le Barreau du Québec, en plus de fournir des crédits ACAMS.
Des discussions sont en cours avec d'autres ordres professionnels afin de faire profiter tous nos membres et partenaires de cet avantage!
FORMATION CONTINUE
DEVENEZ MEMBRE DE LA SECTION MONTRÉAL
La sect ion ACAMS Mont réal t ient à rem ercier ses m em bres pour leur appui et souhai t e leur of f r i r un grand nom bre de
pr iv i lèges.En devenant m em bre de la sect ion, vous bénéf iciez not am m ent :
* de grat u i t é, de rabais ou de pr ior i t é sur l ' inscr ipt ionaux événem ent s de la sect ion;
* de la possibi l i t é d' inv i t er un non-m em bre de vot rechoix lor s de cer t ains événem ent s;
* et bien plus!
Pour plus de renseignem ent s com m uniquez avec nous :
in fo@acam sm ont real .org
La section ACAMS MOntréal a eu le plaisir de recevoir Florence Giuliano, qui a presenté les tendances actuelles et les nouveaux
moyens de lutte contre le blanchiment d'argent.
Sa présentation, s'appuyant sur des faits saillants, a permis de lever le voile sur plusieurs défis que l'industrie devra relever dans les années à venir.
Si vous n'avez pas eu la chance d'être present lors du petit déjeuner causerie, l'intégralité de la présentation est disponible sur le site de ACAMS, Section Montréal, à l'adresse suivante:
http:// files.acams.org/pdfs/2018/Presentation_ACAMS_VF_20022019.pdf
L?int ell igence ar t if iciel le et le Big Data au service de la lut t e cont re le blanchim ent d?argent
Par Florence Giuliano, directrice Europe Stratégie Lutte contre la fraude et conformité, SAS
et Wesley Girdharry, spécialiste national en solutions, Lutte contre la fraude et les crimes financiers, SAS Canada Article
Ét at des l ieux et t endances act uelles de la lut t e cont re le blanchim ent d?argent
Les institutions financières doivent faire face à un large éventail de défis en ce qui a trait aux risques de cybersécurité, à la numérisation intelligente de l?expérience client, à l?accroissement des obligations réglementaires et aux exigences de conformité.
La conformité occupe une place centrale parmi ces défis. La lutte contre le blanchiment d?argent (LCB), le financement du terrorisme (FT) et la connaissance de la clientèle (know-your-customer, ou KYC) impliquent des efforts importants en matière de recrutement et d?informatisation. On estime à des dizaines de milliards de dollars les dépenses globales annuelles de LCB-FT. On consacre les deux tiers de cette somme aux ressources humaines et le tiers à la technologie; 40 % des dépenses annuelles sont consacrées au KYC. Malgré l?augmentation sensible des budgets, les risques de non-conformité restent élevés. Mondialement, les banques ont payé environ 245 milliards de dollars d?amendes depuis la crise financière de 2007-2008, et 97 % de ces sanctions leur ont été imposées par les régulateurs américains selon un article paru dans le journal Le Monde[1].
Les thèmes récurrents associés à un grand nombre de sanctions pour blanchiment d?argent sont les suivants :
· Problèmes de pertinence et d?adaptation du seuil de détection relativement aux caractéristiques des opérations des clients;
· Exemption de certains scénarios réduisant l?efficacité de l?outil de surveillance dans la détection des opérations atypiques;
· Analyse jugée insuffisante pour détecter un fonctionnement atypique qui aurait dû faire l?objet d?un examen approfondi;
· Actualisation des éléments d?identification et de la connaissance du client;
· Piste d?audit et traçabilité insuffisante de la décision de clôturer une alerte. Le bilan de la lutte contre le blanchiment d?argent est décevant d?après le rapport d?Europol 2017[2].
Si le nombre total des déclarations de transactions suspectes continue d?augmenter, le taux de conversion des déclarations de soupçons, stabilisé à environ 11 % depuis 2006, reste faible.
[1] http://www.lemonde.fr/ les-decodeurs/article/2017/07/07/depuis-le-debut-de-la-crise-en-2007-200-milliards-d-euros-d-amendes-pour-les-banques_5157137_4355770.html
(2)https://www.europol.europa.eu/newsroom/news/global-anti-money-laundering-framework-%E2%80%93-europol-report-reveals-poor-success-rate-and-offers-ways-to-improve
Seulement 1 % des fonds qui résultent d?activités illicites et qui transitent par l?économie traditionnelle aussi bien qu?extraterritoriale font l?objet d?une confiscation.
Le constat général est que les systèmes informatiques traditionnels de LCB-FT ont atteint leurs limites, comme le démontre le schéma ci-dessous. Les modèles de données existants sont figés, tandis qu?ils devraient évoluer au même rythme que le système d?information de l?organisation. Les scénarios de blanchiment d?argent se focalisent sur la surveillance des transactions, alors qu?ils devraient considérer l?ensemble des données disponibles pour mettre au jour les réseaux de malfaiteurs.
Un nombre de faux positifs très importants est généré, non seulement du fait des problèmes de qualité des données, mais également de la difficulté de rajuster les seuils des scénarios. Les systèmes informatiques sont des boîtes noires que seul un petit nombre d?experts maîtrisent.
L?efficacité des systèmes de surveillance des transactions, qui font appel à des scénarios ou à des typologies de blanchiment définis il y a environ une dizaine d?années, suscite une grande frustration chez les experts de la conformité.
Les modes opératoires des fraudeurs ont évolué. Le blanchiment d?argent traditionnel a toujours cours, mais les fraudeurs testent de nouvelles méthodes : utilisation des plateformes d?échange de bitcoins et d?autres cryptomonnaies; escroqueries à l?investissement dans les matières premières, tels les diamants et les terres rares; dettes fictives et créanciers prête-noms, comme dans le célèbre exemple de la « laverie russe ».
Les systèmes informatiques de surveillance des transactions doivent permettre aux institutions d?adapter leurs scénarios de détection et d?en mettre en place de nouveaux de plus en plus rapidement pour faire face à ces nouvelles attaques.
Opt im isat ion des syst èm es exist ant s : une approche pragm at ique
Pour moderniser les systèmes existants, il faut privilégier une approche par étape pragmatique.
D?abord, on doit revoir et élargir les données utilisées, et améliorer la qualité de celles-ci. Les études montrent que la génération de fausses alertes est due en grande partie à des problèmes de qualité des données dans les systèmes informatiques des établissements financiers et à l?incapacité de générer une vue agrégée des données au niveau du client.
Une bonne pratique consiste à réviser la segmentation de la base client dans un objectif d?efficacité en matière de conformité. La définition d?un segment de clientèle trop étroit ou trop large aura un impact sur la qualité des alertes générées. Il faut passer des segments marketing prédéfinis à une approche de segmentation axée d?avantage sur les comportements et, surtout, sur les risques de non-conformité.
L?amélioration du seuil des scénarios et du taux de conversion des alertes en déclarations de soupçons doit être une priorité. Pour rajuster ces seuils des scénarios, il est indispensable de disposer d?un historique suffisant de dossiers suspects et de déclarations de soupçons.
Des méthodes statistiques traditionnelles ou des techniques d?apprentissage automatique (Machine Learning) sont utilisées pour trier de manière automatisée les alertes de premier niveau. Le choix de la méthode appropriée résulte d?un compromis entre la lisibilité du modèle et sa performance, et il s?effectue en suivant les étapes suivantes :
· Envisager le remplacement du système actuel de surveillance des transactions.
· Segmenter la base client avec pour seul objectif de réduire les risques et les coûts associés à la conformité, tout en se méfiant des segmentations marketing toutes faites, qui répondent à des objectifs différents.
· Ajuster les scénarios de détection afin d?optimiser la couverture des risques, tout en diminuant le nombre de faux positifs, dès la mise en application du scénario.
· Améliorer en continu, minimalement tous les six à douze mois, la segmentation et
l?ajustement des scénarios.
· Attribuer aux alertes un score de risque de blanchiment d?argent pour permettre de traiter automatiquement la plupart des alertes de premier niveau; le score devra être calculé à l?aide de techniques d?apprentissage automatique, éprouvées depuis de nombreuses années, par exemple dans des domaines névralgiques de l?octroi de crédit.
L?amélioration de l?efficacité globale du système passe aussi par l?instruction des alertes afin d?évaluer la nécessité d?émettre une déclaration de soupçons. Les systèmes actuels peinent souvent à répondre à la demande dans une interface unique, même s?ils disposent de tous les renseignements pertinents pour fonder cette décision. À titre d?exemple, des alertes portant sur une simple transaction sont couramment examinées avec peu d?information complémentaire. Le traitement des alertes doit se faire au niveau du client et non plus seulement au niveau de la transaction ou du compte. Une déclaration de soupçons portera ultimement sur un client. C?est à ce niveau que le risque doit être évalué.
Le pilotage doit être amélioré. Au-delà des tableaux de bord et des indicateurs de performance clés (KPI) habituels, la visualisation des données comporte des avantages : analyse géospatiale et analyse des liens entre les entités permettant de suivre précisément le flux des fonds. Des capacités de pilotage avancé permettent de suivre l?évolution de la performance des scénarios dans le temps et de comparer l?impact opérationnel de l?utilisation des nouvelles méthodes statistiques avec celui des scénarios.
Int ell igence ar t if iciel le et Big Data : des m oyens pour lut t er cont re le blanchim ent d?argent
L?intelligence artificielle est un ensemble de théories et de techniques mises en ? uvre en vue de créer des machines capables de simuler le comportement humain et de réaliser efficacement et rationnellement des tâches usuellement réservées à l?homme. Dans la pratique, l?intelligence artificielle consiste à déléguer à ces machines une partie des capacités humaines relatives à l?intelligence, à la prise de décisions et à la mise en place d?actions. Aujourd?hui, l?intelligence artificielle est un moyen qui permet aux organisations d?innover, en particulier lorsque le processus suppose la prise de décisions. Les principaux facteurs de succès d?une telle démarche sont la qualité et la pertinence des données et des indicateurs et des algorithmes utilisés, mais également le degré de compétence des humains. Les algorithmes (Machine Learning, Deep Learning et Cognitive Computing) doivent permettre d?entraîner la machine, grâce aux données, pour la rendre plus efficace que les êtres humains et lui permettre ainsi d?augmenter sa capacité à résoudre des problèmes complexes. Il ne s?agit pas de remplacer l?humain, mais d?améliorer ses performances, notamment lorsque les signaux à exploiter sont particulièrement faibles.
La nature même de ce que l?on cherche à détecter constitue le premier frein à l?utilisation de l?intelligence artificielle dans la lutte contre le blanchiment. La réglementation parle de « comportements suspects », ce qui est très vague. Plus la cible est imprécise, plus les modèles doivent « apprendre » à partir de quantités importantes de données. Le second obstacle tient au caractère réglementaire : le risque induit par l?utilisation d?un modèle d?intelligence artificielle doit être bien maîtrisé. Les modèles les plus performants sont aussi les moins lisibles et sont donc difficiles à valider. Enfin, l?acceptation même de ces techniques dans le domaine de la conformité, peu informatisé jusqu?à maintenant, représente une troisième entrave importante.
Les techniques traditionnelles ont des limites en ce qui a trait à la détection des comportements atypiques. Grâce à l?utilisation de techniques d?apprentissage supervisées et non supervisées, l?intelligence artificielle permet de déceler des comportements suspects qui, autrement, n?auraient pas été détectés.
Ces techniques permettent d?analyser des quantités massives d?information (Big Data) au niveau de la transaction et du client, et ce, quelle que soit la nature de la source : systèmes de surveillance des transactions, bases de données KYC, information sur les clients, bases de données d?investigation ou d?enquête, données provenant d?Internet ou même de l?Internet invisible (darknet).
L?intelligence artificielle permet de mettre au jour des comportements complexes associés au blanchiment d?argent à l?aide d?ensemble de données qu?un système de surveillance des transactions basé sur des scénarios ou des décisions humaines n?aurait tout simplement pu révéler.
À terme, l?intelligence artificielle pourrait assumer au moins une partie du poids de la décision qui pèse sur les analystes de la conformité, ce qui peut être très subjectif. On peut espérer que l?intelligence artificielle améliorera les taux de conversion des dossiers en déclarations de soupçons.
Les enquêteurs pourraient ainsi se concentrer sur des alertes bien qualifiées accompagnées de l?ensemble de l?information nécessaire à la prise d?une décision quant à la nécessité de rédiger une déclaration de soupçons. À ressources égales, les délais de traitement s?en trouveraient réduits.
Mise en place opérat ionnelle de l?int ell igence ar t if iciel le : le Datalab conform it é
Le Datalab conformité est un bac à sable qui utilise les architectures big data pour les besoins des services de conformité.
Cet espace permet de travailler sur la recherche de nouveaux modes opératoires de blanchiment d?argent, de rajuster les seuils des scénarios et d?effectuer de simulations dans un environnement très semblable à celui de la production.
Cet environnement permet d?évaluer précisément l?impact opérationnel de nouveaux scénarios ou modèles créés à partir de techniques avancées avant qu?ils soient déployés.
Les techniques les plus innovantes sont comparées avec celles qui proviennent d?environnements traditionnels, de sorte que l?on puisse, avec le temps, éliminer certains des processus existants et innover.
Parmi les innovations de l?intelligence artificielle qui pourraient être déployées dans le Datalab figurent les agents virtuels ou « bots ». Ces derniers sont des algorithmes hautement spécialisés qui sont chargés de collecter et d?interpréter des données, de modéliser des comportements, de détecter des anomalies, d?inférer des relations et de déceler des problèmes. Ils signalent ensuite toute irrégularité à un moteur d?apprentissage automatique en fournissant à la fois les alertes et toutes les preuves nécessaires.
Dans le cas précis de la lutte contre le blanchiment d?argent, l?intelligence artificielle permet d?améliorer non seulement la précision de la détection en révélant des cas de blanchiment qui n?ont pas été détectés par les collaborateurs, les processus ou les scénarios, mais également la productivité en systématisant les contrôles et en diminuant parallèlement les fausses alertes et les coûts d?investigation grâce à l?application de techniques d?apprentissage automatique.
L?intelligence artificielle est prometteuse et le recours à celle-ci doit être envisagé par les établissements financiers en tenant compte des nombreux défis et barrières qui lui sont associés : confiance, respect de la vie privée, biais cognitifs, risques éthiques, régulation des algorithmes, etc.
Selon le célèbre physicien Stephen Hawking, « si l?impact à court terme de l?intelligence artificielle dépend de celui ou de celle qui la contrôle, son impact à long terme dépend plutôt de la possibilité de la contrôler, si tant est qu?elle puisse l?être ».
Pour en savoir plus :
Analytics and the AML Paradigm Shift : https://www.sas.com/gms/redirect.jsp?detail=GMS77179_109496)
Developing Scenario Segmentation and Anomaly Detection Models : https://www.sas.com/gms/redirect.jsp?detail=GMS77177_109474)
Cont act s:
Florence Giuliano : [email protected]
Am anda Holden: Am [email protected]
Wesley Girdhar ry: Wesley.Girdhar [email protected]
RETOUR SUR L'ACTUALITÉ DES DERNIERS MOIS
Un retour sur l?actualité des derniers mois met en relief certaines informations importantes dans l?évolution de la lutte contre le blanchiment d?argent et le financement d'activités terroristes. Ces informations sont indispensables pour notre quotidien:
- Af faires Mondiales Canada.
Depuis le 22 septembre 2018, le Vénézuela fait partie de la liste des pays sous sanctions canadiennes.
En raison du contexte politique du pays (démocratie brimée, révolte populaire, répression excessive, atteintes aux droits fondamentaux des citoyens), le Canada a mis en place des mesures économiques spéciales.
Les sanctions ciblent le pays et les personnes désignées par la Loi sur les mesures économique spéciales et impose un gel des avoirs et des interdictions financières, lorsque requis.
Pour plus d?information, vous pouvez consulter le site des affaires mondiales du Gouvernement du Canada, sous le lien suivant : http://www.international.gc.ca/sanctions/countries-pays/venezuela.aspx?lang=fra
- Minist ère des f inances Canada
Le 7 février 2018, le Ministère des finances a publié un examen du régime canadien de lutte contre le recyclage des produits de la criminalité et le financement des activités terroristes.
Cet examen fait partie intégrante du processus de révision législative, qui s?effectue tous les 5 ans. Le but de l'examen est de réaliser un état des lieux de la loi actuelle et d?envisager des pistes pour des modifications, prenant en considération les nouveaux enjeux technologiques, économiques et politiques.
L?examen est disponible sur le site du ministère des finances à l'adresse suivante : https://www.fin.gc.ca/activty/consult/amlatfr-rpcfat-fra.asp#Toc505347989
- Transparency Int ernat ional
Le 21 février 2018, Transparency International a publié la mise à jour des indices de corruption pour un classement de 180 pays.
Avec un score qui s?élève à 89%, la Nouvelle Zélande remporte le premier rang pour ses excellentes pratiques en matière de lutte contre la corruption, alors que la Somalie occupe le dernier rang, avec un score de 9%.
Le Canada se place au 8ème rang avec un score atteignant 82%.
Pour la liste de tous les pays et leur indice de corruption afférent, vous pouvez vous référez au lien suivant sur le site de Transparency International. https://www.transparency.org/news/feature/corruption_perceptions_index_2017
Diplôm e de 2e cycle Lut t e cont re la cr im inalit é f inancière (LCCF)
Le Diplôme de 2e cycle en lutte contre la criminalité financière, offert au campus de Longueuil par l'Université de Sherbrooke, est unique au Canada.
Préconisant l'approche intégrée GRC (gouvernance, gestion des risques et conformité) et LCCF, ce diplôme enseigne les outils permettant de prévenir et de détecter la criminalité financière par une meilleure compréhension des signaux
d'alerte, et d'investiguer une fraude présumée.
Il offre aux futurs spécialistes un bagage solide afin de pouvoir interagir avec des professionnels en comptabilité, en droit, en finance et en fiscalité intéressés à
combattre la fraude et la criminalité financière.
Pour plus d'information, consultez le site du programme:
www.usherbrooke.ca/adm/diplomes/lutte-criminalite-financiere
Jef f rey Feinst ein
Jef f rey Feinst ein is VP, Global Analyt ic St rat egy, at LexisNexis Risk Solut ions.
ARTICLES BY JEFFREY FEINSTEIN
Big data can help drive decisions in almost every aspect of our lives? from the way financial products are underwritten, learning programs are designed, energy is used, healthcare diagnoses are made, insurance rates are assessed, commerce is conducted, and fraud is prevented? the list is infinite. As these decisions can affect individuals and society as a whole, it is compulsory that data experts apply integrity, transparency, and due diligence into the analytics that mine information and the algorithms that inform our decision making and problem solving.
A Closer Look at Dat a: Algor it hm s, Analyt ics, and Accuracy
Using Big Data for Good Requires Testing, Transparency, Precision, and Due Diligence
Big data can help drive decisions in almost every aspect of our lives? from the way financial products are underwritten, learning programs are designed, energy is used, healthcare diagnoses are made, insurance rates are assessed, commerce is conducted, and fraud is prevented? the list is infinite. As these decisions can affect individuals and society as a whole, it is compulsory that data experts apply integrity, transparency, and due diligence into the analytics that mine information and the algorithms that inform our decision making and problem solving.
The first step in an analytic development is linking information together from a variety of different sources. This is one of the core challenges of a big data program because different sources can describe the same people in very different ways. It is important for these linking algorithms to be precise in order to make sense of the data. If linking algorithms are not precise, the information provided can lead to ill-informed decisions. For instance, consider the billions of records that exist about all facets of our lives? birth records, drivers? licenses, vehicle registrations, student records, Social Security numbers, liens and judgments, and property addresses. The information in these records is often used to validate that ?you are who you say you are? and to enable decisions such as mortgage and car loan approvals and much more. If inaccurate information is associated with an individual?s file because of imprecise linking algorithms, he or she could be unfairly declined for credit products, and financial institutions could miss an opportunity to develop a relationship with a potentially good customer.
While linking data requires precision, the application of linked big data needs to predict the way humans behave, even when human behavior itself lacks precision. In these instances, it is important that predictive analytics indicate likely responses in certain situations? such as
THREE ELEMENTS TO CONSIDER WHEN INVOKING PREDICTIVE ANALYTICS WITH BIG DATA
1-Dat a exper t s should build algor it hm s t hat are t horough in t heir inclusion of all relevant inform at ion, not just t he pieces t hat suppor t t heir conclusions about cause and ef fect .
Without proper guardrails, data can cause damage? even unintentionally. That is why it is so important for data experts to be able to explain their conclusions. In our data-soaked culture, it is now more important than ever to know what is behind the information because we have learned that information is not credible unless it can be supported. When making policy decisions based on these sorts of statistics, it is important to be aware of causation distinctions, as they are essential to fully understanding the implications of a result and recommending the best course of action.
Causation indicates that one event is the result of the occurrence of another? there is a causal relationship between the two events. Causation would seem to provide a clear path to successful problem solving. However, in the case of complex issues, whether they be societal or business-related, the task of identifying causality can be challenging. For example, while we know that losing a job can be a cause of financial hardship, it is difficult to prove this correlation because there are so many moving parts that might be associated with job loss or financial hardship. Rather than concluding that unemployment leads to hardship, we often see other mitigating circumstances in real-life applications. A debilitating health issue can lead to the inability to perform one?s job, and related medical expenses can lead to financial hardship. Confounding factors such as these can make it difficult to verify a relationship and thus identify appropriate solutions. For this reason, it often takes controlled testing, many observations to ?average out the noise,? and a significant amount of time to accurately ascertain the cause of an outcome.
Conversely, correlation does not express a definitive relationship. Correlation indicates that two events can co-occur coincidentally without one being the cause of the other. For example, there is a strong correlation between the amount of outdoor swimming one does and the number of mosquito bites that one can get; but it would be erroneous to conclude that swimming causes mosquito bites, or that mosquito bites cause people to swim (in fact, the likely third factor driver is that both happen on warm, sunny days). It would therefore be short-sighted to develop a policy against swimming in summer as a means to prevent the spread of the mosquito-borne Zika virus.
Some individuals feel that the act of making correlation-based decisions is risky. However, with the vast amount of data available and the proliferation of advanced technology to mine this information, stronger correlations can now quickly be observed. When combined with intuitive human input, data can help experts better understand the tie
Thus, a good modeler will be able to explain and support her conclusions when they are based on correlations that stand on a firm, credible foundation. For example, there is a relationship between responsible credit behavior and the probability of being in a car accident. While there is no readily identifiable reason why the timely payment of credit cards and loans reduces the frequency of accidents, there is a strong and reliable relationship across responsible behaviors such as paying bills on time and driving defensively. Ranking insurance risk by examining other responsibility-driven behaviors can therefore be an effective solution.
2-Machine learning does not apply com m on sense, but people do.
The point of big data is to provide actionable information. While a data scientist can apply a variety of approaches to any statistical problem, machine learning can augment the efforts of data analysts, making models more insightful. Yet while machine learning can help build more accurate, predictive models, it does not replace human intelligence. Data-driven decisions that can affect an individual?s well-being should not be based on ?autopilot analytic approaches? such as machine learning if a data expert is unable to validate the intuitive relationships behind the model.
A data scientist must be able to explain what is being measured and the strength of the correlation for scores and attributes. His work must hold up under scrutiny. A modeler must be certain that there is an intuitive link between predictors, consistency with regulations, and an absence of hidden bias. He must be able to defend the model and validate that it is fair in the context of regulatory oversight.
There is no substitute for human due diligence, as it adds credibility to work. Here are four principles to keep in mind:
· In many applications, a computer still needs to be instructed that X is a predictor and Y is a target.
· A human has to reason through what makes a good target variable, the data that might answer the question at hand objectively, and whether the outcome of a model is correct.
· Ideas, use cases, innovation, stories, and reasonableness are human inventions that are difficult to obtain from an automated algorithm.
· Machine learning and all analytic methods are tools that sit between human-led milestones, model design, and model validation to make said milestones better.
3-Dat a conclusions m ust be bot h et hical and logical.
In today?s world of machine learning, people are becoming more reliant upon technology. Many feel that if a machine tells them something, it must be so. Taking such an approach is a grave mistake that can have significant impact on our values, the way we conduct business, and society in general. It is important that data scientists question their algorithms and findings to ensure that actions based on those algorithms are ethical and
A natural choice might be social welfare data because it is readily available and can provide an accurate picture of struggling immigrant populations. Using this data, a researcher might conclude that immigrants to the U.S. are struggling to make ends meet and might choose to advise a course of action against immigration. However, this conclusion would be faulty because the researcher based a conclusion solely on data from struggling immigrants. Had data been obtained from other sources, such as college graduation records, the researcher might have made a different conclusion and suggested a different course of action. In the end, the researcher? not the machine? has a responsibility to use data sources that will drive accurate and unbiased conclusions.
Today, data scientists use high-speed computing, big data, and algorithms to generate predictive algorithms in minutes as opposed to the days it would take to build robust models using traditional techniques. While algorithms may point in a given direction and are logical, the application of the algorithm must be based on an accurate foundation and applied in a fair manner. There is no replacement for intuition and testing. Humans are required to make the moral choices because machines are unable to do so.
If a modeler were to use only the data that supports a hypothesis that is convenient for that modeler, it could lead to inaccurate conclusions and drive actions that are not in the best interest of those affected by the algorithm? even if the resulting model that was built from the underlying datasets is logically consistent.
It could be argued that, at some level, any given collection of attributes that are taken together could result in potential bias. Therefore, best practices argue for responsible oversight and governance principles to ensure that there is no overt or inadvertent bias making its way into the model. This way, regardless of whether a machine or human constructs the model, there is oversight of the appropriateness of the model.
Given the complexities of data analytics, explaining data and proving algorithms require scrutiny. Data experts must exercise human judgment when utilizing machine-assisted model construction. Experts must be able to stand behind their work.
BIG DATA FOR GOOD IS GOOD FOR US ALL
When one considers the sheer amount of data and everything else that is required to produce successful outcomes? algorithms, accuracy, precision, correlation, analytics, machine learning? it?s easy to see what an important role data science plays and its value to society.
Over the years, the application of data and analytics has had a benevolent effect on society in countless ways. Today:
· health plans maintain accurate network directories that are necessary for consumers to make informed decisions and to find the right type of care when needed.
· hospitals can predict a patient?s risk for poor outcomes due to external environmental factors and can identify when someone is in need of more support or community
-telematics can enable insurance companies to better understand their customers, and consumers can learn more about their driving habits and ultimately get better insurance rates. As a result, 70% of Americans can get cheaper insurance.
· front-end identity authentication systems can verify if a person receiving government benefits is who he says he is, preventing fraud and saving millions in taxpayer dollars.
· credit has been extended to millions of individuals who are unbanked and do not have a credit history because credit agencies now have the ability to consider significantly more datapoints when assessing credit worthiness.
When used properly, big data can keep consumers safe, streamline processes and help experts uncover suspicious activity and can provide valuable insights for business decisions. There are countless benefits to society when big data is used for benevolent purposes.
Les membres du comité de direction ACAMS Montréal tiennent à remercier les contributeurs de cette édition, tant pour leurs aticles, les résumés d'évènements et leur implication dans la mise en
oeuvre de ce bulletin :
Stéphanie Annecou-Falaguet
Adrien Freixanet
Noémie Fanny Goyet
Daphné Katia Rosalberg
Josie Sauveur
Merci à nos commanditairesCommanditaire Platine :
Commanditaire Or :
Commanditaires Bronze :