Payment Screening and Transaction Monitoring: Rules-Based and AI/Machine-Learning Approaches

การคัดกรองการชำระเงินและการตรวจสอบธุรกรรม: แนวทางที่ใช้กฎเกณฑ์และแนวทางที่ใช้ AI/Machine Learning

ยินดีต้อนรับสู่หนึ่งในหัวข้อเชิงปฏิบัติการที่สำคัญที่สุดสำหรับการสอบใน โดเมน D: เครื่องมือและเทคโนโลยีในการต่อต้านอาชญากรรมทางการเงิน (Tools and Technologies to Fight Financial Crime) ในบทนี้ เราจะมาเจาะลึกกันว่าสถาบันการเงินสามารถตรวจจับกระแสเงินที่ผิดกฎหมายในขณะที่ธุรกรรมกำลังเกิดขึ้น ตลอดจนตลอดอายุการใช้งานของบัญชีได้อย่างไร

ถ้ารู้สึกว่าคำศัพท์เทคนิคเหล่านี้ฟังดูยากในตอนแรก ก็ไม่ต้องกังวลใจไปนะ! โดยแก่นแท้แล้ว บทนี้ตอบคำถามง่าย ๆ เพียง 2 ข้อเท่านั้น:
1. เราจะสกัดกั้นการชำระเงินที่ต้องห้ามหรือผิดกฎหมาย ก่อนที่เงินจะออกจากหรือเข้ามายังองค์กรได้อย่างไร? (การคัดกรองการชำระเงิน หรือ Payment Screening)
2. เราจะตรวจจับรูปแบบพฤติกรรมของลูกค้าที่ผิดปกติหรือน่าสงสัยที่สะสมตามช่วงเวลาได้อย่างไร? (การตรวจสอบธุรกรรม หรือ Transaction Monitoring)

หมายเหตุ: สำหรับการจัดการรายชื่อมาตรการลงโทษแบบคงที่ (Sanctions List) และอัลกอริทึม Fuzzy Logic โปรดดูในบทเฉพาะเรื่อง "การคัดกรองมาตรการลงโทษและรายชื่อเฝ้าระวัง" (Sanctions and Watchlist Screening) สำหรับการกำกับดูแลข้อมูลในภาพกว้างและการผสานการทำงานของเครื่องมือ โปรดดูในบท "การรักษาความเป็นส่วนตัวของข้อมูล การเลือกใช้เครื่องมือ และประสิทธิภาพเชิงปฏิบัติการ" (Data Privacy, Tool Selection and Operational Effectiveness)

---

1. การคัดกรองการชำระเงินและธุรกรรมในรูปแบบข้อความประเภทต่างๆ

การตรวจจับแบบเรียลไทม์ (Real-Time) เทียบกับการตรวจจับหลังทำธุรกรรม (Post-Transaction)

ในการปฏิบัติตามกฎเกณฑ์เพื่อป้องกันอาชญากรรมทางการเงิน จังหวะเวลามีความสำคัญอย่างยิ่ง:
• การคัดกรองการชำระเงิน (แบบเรียลไทม์ / ก่อนการทำธุรกรรมสำเร็จ - Pre-Execution): เกิดขึ้นในขณะที่ธุรกรรมกำลังดำเนินอยู่ระหว่างทาง (In-flight) การชำระเงินจะถูกสกัดและตรวจสอบก่อนที่เงินจะถูกปล่อยหรือชำระดุล หากตรวจพบรายการที่อาจตรงกับรายชื่อต้องห้ามหรือพบการละเมิด การชำระเงินนั้นจะถูกระงับไว้เพื่อให้เจ้าหน้าที่ตรวจสอบ
• การตรวจสอบธุรกรรม (หลังการทำธุรกรรมสำเร็จ - Post-Execution / ตรวจสอบเป็นระยะ): ตรวจสอบธุรกรรมที่เสร็จสิ้นไปแล้ว (หรือชุดข้อมูลธุรกรรมที่ประมวลผลแล้ว) เพื่อตรวจหารูปแบบย้อนหลัง ความผิดปกติเชิงโครงสร้าง และพฤติกรรมที่เบี่ยงเบนไปจากเดิมในช่วงเวลาเป็นวัน สัปดาห์ หรือเป็นเดือน

การคัดกรองในรูปแบบข้อความ (Message Formats) ที่แตกต่างกัน

สถาบันการเงินประมวลผลธุรกรรมผ่านช่องทางและมาตรฐานข้อความที่หลากหลาย เทคโนโลยีการคัดกรองจึงต้องสามารถแยกแยะ อ่าน และดึงข้อมูลจากแต่ละฟิลด์ข้อมูลได้อย่างแม่นยำ:

• ระบบข้อความ SWIFT:
การโอนเงินระหว่างธนาคารข้ามพรมแดนแบบดั้งเดิมจะพึ่งพาข้อความมาตรฐาน SWIFT (เช่น รูปแบบ MT และ ISO 20022) ระบบคัดกรองการชำระเงินต้องดึงข้อความที่มีโครงสร้างเหล่านี้มาประมวลผลแบบเรียลไทม์ โดยจะสแกนฟิลด์ข้อมูลต่างๆ โดยละเอียด เช่น ชื่อผู้สั่งโอน (Originator Name), สถาบันการเงินที่สั่งโอน (Ordering Institution), ลูกค้าผู้รับผลประโยชน์ (Beneficiary Customer), ธนาคารตัวกลาง (Intermediary Banks) และรายละเอียดการชำระเงินหรือข้อมูลการส่งเงิน เพื่อตรวจหาบุคคลหรือนิติบุคคลที่ถูกคว่ำบาตร เขตอำนาจศาลที่ต้องห้าม หรือข้อมูลระบุตัวตนที่มีความเสี่ยงสูง ก่อนที่การชำระดุลจะเสร็จสมบูรณ์

• ธุรกรรมบนบล็อกเชนและสินทรัพย์เสมือน (Virtual Assets):
เมื่อสินทรัพย์เสมือนและสินทรัพย์ดิจิทัลหมุนเวียนอยู่บนสมุดบัญชีแยกประเภทแบบกระจายศูนย์ (Decentralized Ledgers) กลไกของข้อมูลที่ใช้ในการคัดกรองจึงแตกต่างออกไป ผู้ให้บริการสินทรัพย์เสมือน (VASPs) และสถาบันที่ดูแลธุรกรรมบล็อกเชนจะใช้เครื่องมือคัดกรองเฉพาะทางเพื่อประเมินที่อยู่กระเป๋าเงินสาธารณะ (Public Wallet Addresses), แฮชของธุรกรรม (Transaction Hashes), สัญญาอัจฉริยะ (Smart Contracts) และคู่สัญญา แทนที่จะสแกนรหัสระบุเส้นทางการโอนเงินของธนาคารตามปกติ การคัดกรองบล็อกเชนจะประเมินการมีส่วนพัวพันทั้งทางตรงและทางอ้อมกับกระเป๋าเงินที่ผิดกฎหมาย (เช่น ตลาดมืดบน Darknet, กลุ่มผู้โจมตีด้วยมัลแวร์เรียกค่าไถ่ หรือที่อยู่กระเป๋าเงินดิจิทัลที่ถูกคว่ำบาตร) ก่อนหรือในขณะที่มีการโอนมูลค่าเกิดขึ้น

การนำ AI และ Machine Learning มาใช้ในการคัดกรองการชำระเงิน

การคัดกรองแบบดั้งเดิมมักสร้างการแจ้งเตือนที่ผิดพลาด (False Positives) จำนวนมาก ซึ่งก็คือการแจ้งเตือนที่ถูกทริกเกอร์เพียงเพราะข้อความธรรมดาที่ไม่มีเจตนาร้ายดันไปตรงกับคำสำคัญที่ถูกจำกัดหรือชื่อที่สะกดใกล้เคียงกัน เครื่องมือ AI และ Machine Learning (AI/ML) จึงเข้ามาช่วยระบบคัดกรองการชำระเงินโดย:
• วิเคราะห์บริบทความหมายโดยรวมของชุดข้อความในการชำระเงินอย่างชาญฉลาด (ช่วยลดการแจ้งเตือนที่ผิดพลาดอันเกิดจากคำศัพท์ทั่วไป ชื่อเมือง หรือชื่อเรือที่ปรากฏในรายละเอียดการชำระเงิน)
• ให้คะแนนความเสี่ยงที่แท้จริงของการแจ้งเตือน โดยอ้างอิงจากข้อมูลผลการตรวจสอบในอดีต (ช่วยให้ทีมกำกับการปฏิบัติตามกฎเกณฑ์จัดลำดับความสำคัญของรายการที่มีแนวโน้มว่าจะตรงกับเป้าหมายจริงได้อย่างทันท่วงที)

ประเด็นสำคัญประจำหัวข้อ: การคัดกรองการชำระเงินมุ่งเป้าไปที่ธุรกรรมที่กำลังดำเนินอยู่ระหว่างทาง ทั้งในช่องทางดั้งเดิม (เช่น SWIFT) และช่องทางกระจายศูนย์ (ธุรกรรมบล็อกเชน) เพื่อสกัดกั้นการโอนเงินที่ผิดกฎหมายก่อนที่จะชำระดุลสำเร็จ โดยมีการนำ AI/ML เข้ามาเสริมการทำงานเพื่อลดสัญญาณรบกวนจากการแจ้งเตือนที่ผิดพลาด

---

2. การตรวจสอบธุรกรรมแบบดั้งเดิม (ตามกฎเกณฑ์ หรือ Rules-Based)

ในขณะที่การคัดกรองจะพิจารณาธุรกรรมแต่ละรายการแยกกันเพื่อหยุดยั้งการโอนเงินที่ต้องห้าม การตรวจสอบธุรกรรม (Transaction Monitoring) จะตรวจสอบกิจกรรมทางบัญชีอย่างต่อเนื่องตามช่วงเวลา เพื่อตรวจจับรูปแบบที่น่าสงสัยอันบ่งชี้ถึงการฟอกเงิน การสนับสนุนทางการเงินแก่การก่อการร้าย การฉ้อโกง หรือการหลีกเลี่ยงภาษี

การจัดกลุ่มลูกค้า (Customer Segmentation)

ลองจินตนาการดูว่า ถ้าเราตั้งเกณฑ์การแจ้งเตือนธุรกรรมไว้ที่ \$10,000 เท่ากันหมดสำหรับทุกบัญชีในธนาคาร หากมีนักศึกษาคนหนึ่งฝากเงินสด \$12,000 ระบบก็จะแจ้งเตือน ซึ่งถือว่าสมเหตุสมผล แต่ถ้ามีซูเปอร์มาร์เก็ตในท้องถิ่นนำเงินสด \$50,000 มาฝากทุกวัน ระบบก็จะส่งการแจ้งเตือนทุกวันเช่นกัน ซึ่งจะทำให้นักวิเคราะห์งานกำกับดูแลต้องจมอยู่กับกองเอกสารที่ไม่ใช่พฤติกรรมน่าสงสัยเลย!

เพื่อป้องกันปัญหานี้ สถาบันการเงินจึงใช้ การจัดกลุ่มลูกค้า (Customer Segmentation):
• บัญชีจะถูกจัดเป็นกลุ่มๆ ตามพฤติกรรมที่คาดหมายไว้ ประเภทธุรกิจ ปริมาณเงินหมุนเวียน และโปรไฟล์ความเสี่ยงที่ใกล้เคียงกัน (เช่น ลูกค้ารายย่อย, กลุ่มลูกค้าที่มีความมั่งคั่งสูง, ธุรกิจขนาดกลางและขนาดย่อม, บรรษัทข้ามชาติ)
• มีการปรับแต่งกฎและสถานการณ์จำลอง (Scenarios) ให้เหมาะกับกลุ่มลูกค้าแต่ละประเภท เพื่อสร้างมาตรฐานพฤติกรรมพื้นฐาน ทำให้การประเมินกิจกรรมทางบัญชีสอดคล้องกับพฤติกรรมปกติของกลุ่มเดียวกัน

ความครอบคลุมของสถานการณ์จำลอง (Scenario Coverage)

สถานการณ์จำลอง (Scenario) คือกฎอัตโนมัติหรือการทดสอบเชิงตรรกะที่ออกแบบมาเพื่อทริกเกอร์การแจ้งเตือน เมื่อเกิดสัญญาณเตือน (Red Flag) ตามรูปแบบพฤติกรรมเฉพาะขึ้น ความครอบคลุมของสถานการณ์จำลองที่รอบด้านจะช่วยให้ระบบตรวจสอบสามารถครอบคลุมความเสี่ยงจากอาชญากรรมทางการเงินที่หลากหลายทั่วทั้งองค์กร:
• การเคลื่อนย้ายเงินอย่างรวดเร็ว (Rapid movement of funds): มีเงินฝากจำนวนมากเข้ามาแล้วถูกโอนออกทันที โดยแทบไม่มีเงินคงเหลือติดบัญชีไว้เลย
• การซอยธุรกรรมเพื่อหลีกเลี่ยงการรายงาน (Structuring / Smurfing): มีการฝากเงินสดซ้ำๆ โดยมียอดต่ำกว่าเกณฑ์ที่กฎหมายกำหนดให้ต้องรายงานเล็กน้อย ภายในระยะเวลาสั้นๆ
• การกลับมาเคลื่อนไหวของบัญชีที่หยุดนิ่ง (Dormant account reactivation): บัญชีที่ไม่มีความเคลื่อนไหวมานานหลายปี จู่ๆ ก็มีการทำธุรกรรมมูลค่าสูง
• ยอดการทำธุรกรรมพุ่งสูงขึ้นอย่างกะทันหัน (Spike in activity): พฤติกรรมที่เบี่ยงเบนไปจากประวัติยอดหมุนเวียนเดิมของลูกค้าอย่างมากและฉับพลัน

การตั้งเกณฑ์การตรวจจับ (Threshold Setting)

แต่ละสถานการณ์จำลองจำเป็นต้องมีการกำหนดค่าพารามิเตอร์หรือ เกณฑ์ (Thresholds) ที่ผ่านการสอบเทียบมาเป็นอย่างดี เกณฑ์เหล่านี้จะกำหนดเงื่อนไขขอบเขตที่แน่ชัดในการสร้างการแจ้งเตือน:
• เกณฑ์ด้านมูลค่า (Value threshold): เช่น ยอดฝากเงินสดเกินมูลค่าที่กำหนดไว้ภายในระยะเวลาที่นับต่อเนื่องกัน
• เกณฑ์ด้านความถี่ (Frequency threshold): เช่น มีการโอนเงินตั้งแต่ 3 ครั้งขึ้นไปภายในกรอบเวลา 48 ชั่วโมง
• สัดส่วนเปอร์เซ็นต์ที่เบี่ยงเบนไป (Percentage deviation): เช่น ยอดหมุนเวียนรายเดือนเกินค่าเฉลี่ยในอดีตตั้งแต่ \(200\%\) ขึ้นไป

การตั้งเกณฑ์ไว้สูงเกินไปจะทำให้เกิดผลลบลวง (False Negatives ซึ่งก็คือการตรวจไม่พบพฤติกรรมผิดกฎหมายที่เกิดขึ้นจริง) แต่ถ้าตั้งเกณฑ์ไว้ต่ำเกินไป ก็จะสร้างภาระงานคั่งค้างจากการแจ้งเตือนที่ผิดพลาด (False Positives) มากจนรับมือไม่ไหว ทำให้สิ้นเปลืองทรัพยากรของฝ่ายกำกับดูแลโดยไม่ได้ช่วยลดความเสี่ยงลงเลย

การทดสอบทางสถิติ: เหนือเส้นเกณฑ์ (ATL) และ ใต้เส้นเกณฑ์ (BTL)

สถาบันการเงินจะรู้ได้อย่างไรว่าเกณฑ์ที่ตั้งไว้นั้นเหมาะสมแล้วหรือไม่? คำตอบคือต้องทำการทดสอบทางสถิติเชิงประจักษ์ที่เรียกว่าการทดสอบ เหนือเส้นเกณฑ์ หรือ Above-the-Line (ATL) และ ใต้เส้นเกณฑ์ หรือ Below-the-Line (BTL)

ลองเปรียบเทียบให้เห็นภาพง่ายๆ เหมือนการตั้งค่าตรวจจับความเร็วของกล้องจราจร:
• การทดสอบเหนือเส้นเกณฑ์ (ATL Testing): เป็นการทดสอบกิจกรรมที่ เกินกว่า เกณฑ์การแจ้งเตือนปัจจุบันของคุณ หากเกณฑ์ปัจจุบันตั้งไว้ที่ \$10,000 การวิเคราะห์แบบ ATL จะทบทวนการแจ้งเตือนที่เกิดขึ้นที่ระดับ \$10,000, \$15,000 หรือ \$20,000 เพื่อประเมินว่าการแจ้งเตือนที่เกิดขึ้นนั้นก่อให้เกิดผลลัพธ์ที่เป็นประโยชน์จริงหรือไม่ (นำไปสู่การสืบสวนและการจัดทำรายงานธุรกรรมที่มีเหตุอันควรสงสัย หรือ SARs) หรือเป็นเพียงแค่ภาระงานที่ไม่มีประสิทธิภาพ
• การทดสอบใต้เส้นเกณฑ์ (BTL Testing): เป็นการทดสอบกิจกรรมที่อยู่ ต่ำกว่าเกณฑ์ปัจจุบันลงมาเล็กน้อย ตัวอย่างเช่น การสุ่มตรวจธุรกรรมที่อยู่ระหว่าง \$8,000 ถึง \$9,999 เมื่อตั้งเกณฑ์ไว้ที่ \$10,000 ทำไมต้องทำเช่นนี้? ก็เพื่อตรวจสอบว่ามีอาชญากรคนใดที่จงใจทำธุรกรรมหลบอยู่ใต้เรดาร์ของคุณอย่างเป็นระบบหรือไม่! หากการสุ่มตรวจ BTL เผยให้เห็นรูปแบบที่น่าสงสัยอย่างมีนัยสำคัญใต้เส้นแบ่งเกณฑ์ ก็จำเป็นต้องปรับลดหรือสอบเทียบเกณฑ์ใหม่

เทคนิคช่วยจำ:
• ATL ทดสอบสิ่งที่คุณ มองเห็นอยู่แล้ว (มีประสิทธิภาพและประสิทธิผลดีหรือไม่?)
• BTL ทดสอบสิ่งที่คุณ ยังมองไม่เห็น (มีพฤติกรรมความเสี่ยงจริงที่คุณพลาดไปหรือไม่?)

การปรับแต่งสถานการณ์จำลอง (Scenario Tuning)

การปรับแต่งสถานการณ์จำลอง (Scenario Tuning) คือกระบวนการวนซ้ำอย่างต่อเนื่องในการปรับปรุงตรรกะของสถานการณ์ ขอบเขตการจัดกลุ่มลูกค้า และเกณฑ์การตรวจจับ โดยพิจารณาจาก:
• ผลลัพธ์จากการทดสอบทางสถิติทั้งแบบ ATL และ BTL
• อัตราผลการสืบสวนของเจ้าหน้าที่ (สัดส่วนร้อยละของการแจ้งเตือนที่เปลี่ยนเป็นรายงาน SARs หรือการส่งต่อเพื่อตรวจสอบเชิงลึก)
• การเปลี่ยนแปลงของพฤติกรรมลูกค้า ปัจจัยทางเศรษฐกิจ หรือการเปิดตัวผลิตภัณฑ์ใหม่
• การกวาดสายตามองแนวโน้มในอนาคต (Horizon scanning) และรูปแบบอาชญากรรมอุบัติใหม่ที่ระบุโดยหน่วยงานกำกับดูแลหรือหน่วยข่าวกรองทางการเงิน (FIUs)

การบริหารความเสี่ยงของแบบจำลอง (Model Risk Management - MRM)

ระบบตรวจสอบธุรกรรมอัตโนมัติไม่ได้เป็นเพียงแค่ซอฟต์แวร์ธรรมดา แต่ถือเป็น แบบจำลองที่มีผลทางกฎระเบียบ (Regulatory Model) และเนื่องจากการตัดสินใจของแบบจำลองนี้ส่งผลกระทบต่อการปฏิบัติตามกฎหมาย สถาบันการเงินจึงต้องนำระบบตรวจสอบธุรกรรมเข้าสู่กระบวนการกำกับดูแลตามหลัก การบริหารความเสี่ยงของแบบจำลอง อย่างเข้มงวด:
• การตรวจสอบความถูกต้องและการทดสอบ (Validation and Testing): การทวนสอบการออกแบบแบบจำลอง ตรรกะทางคณิตศาสตร์ การทำงานของโค้ด และข้อมูลนำเข้า โดยหน่วยงานที่มีความเป็นอิสระจากทีมพัฒนาแบบจำลอง
• การตรวจสอบความสมบูรณ์ของข้อมูล (Data Integrity Checks): การทำให้มั่นใจว่าข้อมูลธุรกรรมต้นทาง (จากระบบ Core Banking, แพลตฟอร์มการโอนเงิน และ Payment Gateways) เชื่อมโยงเข้าสู่ระบบประมวลผลการตรวจสอบได้อย่างครบถ้วน ถูกต้อง โดยไม่มีข้อมูลเสียหายหรือตกหล่น
• เส้นทางการตรวจสอบและการกำกับดูแล (Audit Trail and Governance): การบันทึกเหตุผลประกอบการปรับแต่งเกณฑ์ การอนุมัติตัดสินใจ และผลการตรวจสอบความถูกต้องตามรอบระยะเวลา เพื่อรองรับการเข้าตรวจของหน่วยงานกำกับดูแล

ประเด็นสำคัญประจำหัวข้อ: การตรวจสอบตามกฎเกณฑ์ต้องพึ่งพาการจัดกลุ่มลูกค้า ตรรกะสถานการณ์ที่ตรงจุด และเกณฑ์ที่ผ่านการสอบเทียบ โดยเกณฑ์ต่างๆ ต้องได้รับการตรวจสอบความถูกต้องผ่านการทดสอบทางสถิติแบบ ATL และ BTL มีการปรับแต่งอย่างสม่ำเสมอ และอยู่ภายใต้หลักการบริหารความเสี่ยงของแบบจำลองอย่างเป็นทางการ

---

3. จุดเปลี่ยนสำคัญ: จากระบบที่ใช้กฎเกณฑ์สู่การตรวจสอบด้วย AI/ML ทั้งแบบบทบาทหลักและบทบาทรอง

แม้ว่าระบบที่ใช้กฎเกณฑ์แบบดั้งเดิมจะยังคงถูกใช้งานอย่างแพร่หลายในแวดวงการต่อต้านอาชญากรรมทางการเงิน (AFC) แต่ระบบเหล่านี้ก็มีข้อจำกัดในตัวเอง เช่น อัตราการแจ้งเตือนที่ผิดพลาดสูง ตรรกะที่ตายตัวจนไม่สามารถปรับตัวตามรูปแบบอาชญากรรมที่พัฒนาไปได้ และตรวจจับเครือข่ายการฟอกเงินที่มีความซับซ้อนหลายฝ่ายได้ยาก สิ่งเหล่านี้จึงผลักดันให้เกิดวิวัฒนาการทางเทคโนโลยีไปสู่ปัญญาประดิษฐ์และ Machine Learning

การเปรียบเทียบแนวทาง: ระบบที่ใช้กฎเกณฑ์ (Rules-Based) เทียบกับ AI/ML

• สถาปัตยกรรมแบบใช้กฎเกณฑ์ (Deterministic - กำหนดผลลัพธ์ตายตัว):
ทำงานตามตรรกะที่กำหนดไว้ล่วงหน้าอย่างเคร่งครัด (เช่น ถ้าจำนวนธุรกรรม \(\ge 4\) ภายใน 24 ชั่วโมง และยอดรวม \(\ge \$10,000\) ให้ทริกเกอร์การแจ้งเตือน)
จุดเด่น: เข้าใจง่าย มีความโปร่งใสสูง อธิบายต่อผู้ตรวจสอบบัญชีและหน่วยงานกำกับดูแลได้ไม่ยาก
จุดด้อย: ขาดความยืดหยุ่น อาชญากรสามารถจับทางได้ง่ายหากรู้เกณฑ์ที่ตั้งไว้ และมักทำให้ผู้ปฏิบัติงานล้าจากการแจ้งเตือนที่ผิดพลาดจำนวนมหาศาล

• สถาปัตยกรรมแบบ AI และ Machine Learning (Probabilistic / Pattern-Driven - อิงความน่าจะเป็นและขับเคลื่อนด้วยรูปแบบ):
วิเคราะห์ความสัมพันธ์ของข้อมูลที่ซับซ้อนหลายมิติ ประวัติของลูกค้า ข้อมูลพื้นฐานของกลุ่มที่เทียบเคียง และการเปลี่ยนแปลงพฤติกรรมที่แนบเนียน แทนที่จะดูเพียงตัวเลขเดี่ยวๆ
จุดเด่น: ตรวจจับรูปแบบที่ไม่เป็นเส้นตรง (Non-linear patterns) ได้ ปรับตัวตามฐานพฤติกรรมใหม่ได้เอง ลดการแจ้งเตือนที่ผิดพลาดซึ่งไม่มีประโยชน์ และค้นพบรูปแบบอาชญากรรมที่ไม่เคยรู้จักมาก่อน
จุดด้อย: มีความซับซ้อนสูง ต้องการข้อมูลที่มีคุณภาพดี และต้องมีการกำกับดูแลแบบจำลองอย่างเข้มงวดเพื่ออธิบายเหตุผลในการตัดสินใจต่อหน่วยงานกำกับดูแล

AI/ML ในบทบาทหลัก (Primary) เทียบกับบทบาทรอง (Secondary)

สถาบันการเงินนำระบบตรวจสอบด้วย AI/ML มาปรับใช้ใน 2 รูปแบบหลักๆ ดังนี้:

• 1. บทบาทรอง (การเสริมประสิทธิภาพ / การปรับแต่งหลังการทำงานของกฎ - Augmentation / Post-Rule Optimization):
ในการติดตั้งรูปแบบนี้ ระบบที่ใช้กฎเกณฑ์แบบดั้งเดิมจะยังคงทำหน้าที่เป็น ตัวสร้างการแจ้งเตือนหลัก จากนั้นเมื่อกฎทริกเกอร์การแจ้งเตือนขึ้นมา โมเดล AI/ML จะเข้ามาทำหน้าที่เป็นชั้นที่สอง:
• ให้คะแนนและจัดลำดับความสำคัญของการแจ้งเตือน โดยดูจากระดับความเสี่ยงและความน่าจะเป็นที่จะนำไปสู่การดำเนินคดีหรือรายงานจริง
• รวบรวมข้อมูลพื้นฐานของลูกค้าและประวัติการทำกิจกรรมโดยอัตโนมัติ เพื่อสนับสนุนการทำงานของเจ้าหน้าที่ผู้สืบสวน
• สามารถสั่งปิดเคสที่เป็นการแจ้งเตือนผิดพลาดซ้ำๆ และพิสูจน์ได้ว่าไม่มีพิษภัยโดยอัตโนมัติ หากตรงตามเกณฑ์ความเสี่ยงต่ำที่บันทึกไว้ ช่วยให้ทีมงานกำกับดูแลสามารถมุ่งเน้นไปที่การสืบสวนคดีที่ซับซ้อนและมีความเสี่ยงสูงได้
ทำไมจึงควรใช้? เป็นก้าวการพัฒนาที่ปลอดภัยและมั่นคง เพราะยังคงกรอบกฎเกณฑ์เดิมที่หน่วยงานกำกับดูแลให้การยอมรับไว้ได้ ขณะเดียวกันก็ช่วยเพิ่มประสิทธิภาพในการปฏิบัติงานได้อย่างมหาศาล

• 2. บทบาทหลัก (การตรวจจับความผิดปกติโดยตรงและการสร้างแบบจำลองการตรวจจับ - Direct Anomaly Detection and Detection Modeling):
ในโครงสร้างขั้นสูงนี้ โมเดล AI/ML จะทำหน้าที่เป็น กลไกการตรวจจับหลัก ควบคู่ไปกับหรือเข้ามาแทนที่กฎเกณฑ์แบบเดิม:
• โมเดลจะนำเข้าข้อมูลดิบของธุรกรรม ข้อมูลพฤติกรรม และข้อมูลคู่สัญญาโดยตรง
• การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) จะตรวจจับความผิดปกติที่แนบเนียนและกลุ่มพฤติกรรมที่แปลกแยกออกไป ซึ่งไม่เคยมีมนุษย์คนไหนเขียนกฎดักทางไว้ได้ล่วงหน้า
• การเรียนรู้แบบมีผู้สอน (Supervised Learning) จะคาดการณ์กิจกรรมที่น่าสงสัย โดยจดจำรูปแบบที่เรียนรู้มาจากรายงาน SARs และรูปแบบอาชญากรรมที่เคยยืนยันแล้วในอดีต
ทำไมจึงควรใช้? มีความสามารถในการปรับตัวที่เหนือกว่าในการรับมือกับกลโกงของอาชญากรที่ซับซ้อนและเปลี่ยนแปลงอย่างรวดเร็ว ซึ่งตั้งใจหลบเลี่ยงเกณฑ์มาตรฐานเดิมๆ ที่ตั้งไว้

ประเด็นสำคัญประจำหัวข้อ: วิวัฒนาการทางเทคโนโลยีได้ก้าวข้ามจากระบบกฎเกณฑ์ตายตัว มาสู่การใช้ AI/ML ในบทบาทรอง (เพื่อเพิ่มประสิทธิภาพ จัดลำดับความสำคัญ และคัดแยกการแจ้งเตือนที่เกิดจากกฎ) และพัฒนาสู่การใช้ AI/ML ในบทบาทหลัก (เพื่อตรวจจับความผิดปกติทางพฤติกรรมและรูปแบบอาชญากรรมทางการเงินที่มีหลายตัวแปรได้โดยตรง)

---

ทบทวนเนื้อหาสำคัญ: สรุปแนวคิดที่ต้องรู้สำหรับการสอบ CAMS

• การคัดกรองการชำระเงิน (Payment Screening): ทำงานแบบเรียลไทม์ / ก่อนการทำธุรกรรมสำเร็จ บนธุรกรรมที่กำลังดำเนินอยู่ผ่านช่องทางข้อความต่างๆ (SWIFT, บล็อกเชน) เพื่อหยุดยั้งเงินที่ผิดกฎหมายก่อนที่จะมีการเคลื่อนย้าย
• การตรวจสอบธุรกรรม (Transaction Monitoring): ทำงานหลังการทำธุรกรรมสำเร็จ โดยประเมินกิจกรรมที่เสร็จสิ้นแล้วเพื่อหารูปแบบที่น่าสงสัย แนวโน้ม และพฤติกรรมการซอยธุรกรรมตามช่วงเวลา
• การจัดกลุ่มลูกค้า (Customer Segmentation): การจัดกลุ่มบัญชีที่มีลักษณะคล้ายกันไว้ด้วยกัน เพื่อให้การตรวจสอบด้วยเกณฑ์สะท้อนพฤติกรรมที่เหมาะสมของกลุ่มเพื่อน แทนที่จะใช้เกณฑ์มาตรฐานเดียวแบบเหมารวม
• การทดสอบเหนือเส้นเกณฑ์ (Above-the-Line / ATL Testing): การทบทวนการแจ้งเตือนที่เกิดขึ้นเหนือเกณฑ์ปัจจุบัน เพื่อประเมินคุณภาพของการแจ้งเตือน สัดส่วนการนำไปสู่รายงาน SAR และอัตราการแจ้งเตือนที่ผิดพลาด
• การทดสอบใต้เส้นเกณฑ์ (Below-the-Line / BTL Testing): การสุ่มตรวจกิจกรรมที่อยู่ต่ำกว่าเกณฑ์ปัจจุบันลงมาเล็กน้อย เพื่อตรวจหาพฤติกรรมน่าสงสัยที่ยังเล็ดลอดไปได้ และประเมินว่าจำเป็นต้องปรับลดเกณฑ์ลงหรือไม่
• การบริหารความเสี่ยงของแบบจำลอง (Model Risk Management): กรอบการทำงานที่เข้มงวดซึ่งควบคุมการตรวจสอบความถูกต้องของแบบจำลองอย่างเป็นอิสระ ความสมบูรณ์ของโค้ด ความถูกต้องแม่นยำของข้อมูล และการจัดทำเอกสารบันทึกการเปลี่ยนแปลงเกณฑ์
• AI/ML ในบทบาทรอง (Secondary AI/ML): ทำหน้าที่จัดลำดับความสำคัญ ให้คะแนนความเสี่ยง และเพิ่มความคล่องตัวในการจัดการการแจ้งเตือนที่ถูกสร้างขึ้นจากระบบกฎเกณฑ์แบบดั้งเดิม
• AI/ML ในบทบาทหลัก (Primary AI/ML): ประเมินกระแสข้อมูลโดยตรงเพื่อระบุความผิดปกติทางพฤติกรรมที่ซับซ้อนและรูปแบบพฤติกรรมที่น่าสงสัย โดยไม่ต้องพึ่งพาเพียงแค่เกณฑ์คงที่แบบเดิมอีกต่อไป