Embed Size (px)
Citation preview
Hvilke muligheter gir RegTech?
26. september 2018
Page 3
Agenda
01 Introduksjon til RegTech
02 Våre erfaringer med RegTech
Page 4
Introduksjon til RegTech
Page 5
Etter finanskrisen i 2008 har bransjen opplevd en kraftig økning i reguleringer
► MiFID II
► GDPR
► Nytt hvitvaskingsdirektiv
► NSFR
► IFRS 9
► Krisehåndteringsdirektivet (MREL)
► IFRS 16
► Ny standardmetode markedsrisiko
► IDD
► Forbrukslånsforskrift
► Ny standardmetode kredittrisiko
► Ny standardmetode operasjonell risiko
► MREL (Endelige krav)
Page 6
10 – 15 % av ansatte i bank globalt brukes til å tilfredsstille regulatoriske krav
1 000 000 000$ brukes årlig i HSBC, Deutsche og JPM Chase på å
implementere ny reguleringer og kontroller
300 000 000 000$ er delt ut i bøter siden 2008
300 000 000 sider med nye reguleringer forventes publisert innen 2020
Kostnadene knyttet til disse reguleringene er ventet å utgjøre en betydelig del av bankenes kostnader
Page 7
Dette har ført til fremveksten av en ny gren innen FinTech, nemlig RegTech
RegTech er bruk av ny teknologi…
…for å tilfredsstille regulatoriske krav bedre og mer effektivt
BlockchainSkytjenester Biometrics Kryptografi
Robotics
API
Kunstig intelligens Big data MaskinlæringCognitive RPA
Page 8
Reduserte kostnader ved compliance
Skalerbare løsninger
Forhindre uønsket adferd
Økt grad av compliance (100% test)
Kort sikt Lang sikt
Økt kundetilfredshet
Bedre risikohåndtering og økt tillit i markedet
Bedre rapportering/oversikt
Styrket governance
Formålet med RegTech er å redusere kostnadene og forbedre compliance
Page 9
Cognitive RPA
Mulighetene med ny teknologi er utallige
BlockchainSkytjenester Biometrics Kryptografi
Robotics
API
Kunstig intelligens Big data Maskinlæring
Page 10
Mange løsninger i markedet
Page 11
Våre erfaringer
Page 12
Vi vil trekke frem tre eksempler på bruk av teknologi i compliance-arbeidet
Maskinlæring Kognitiv utreder Identifisere datatap
Pro
babili
ty o
f P
roductivity
Value of Variable
Illustrative
Bedre identifisere finansiell kriminalitet ved bruk av
maskinlæring
Løsning hvor flere nye teknologier benyttes for å
forbedre hele prosessen innen AML
Bruk av teknologi for å kartlegge flyt av sensitive data
1 2 3
Page 13
Kunstig intelligens kan brukes til å automatisere prosesser og predikere utfall
Dyp læring (DL)
Maskinlæring (ML)
Regelbasert system
AI Spektrum
► Eksplisitt programmering - Hvis “x”, gjør “y”
► Filtrering på nøkkelord
► Prediktiv analyse (f.eks. logistisk regresjon)
► Bruker strukturerte og ustrukturerte data inkl. tale
► Mer avansert maskinlæring
► Bruker flere metoder og nivåer for å analysere dataene
AI spektrumet spenner over et bredt spekter av metoder og egenskaper som etterligner menneskelig intelligens.
1
Page 14
Det finnes mange bruksområder for maskinlæring
Segmentation for Revenue Optimization (Clients, Channels, Products)
Customer Preference and Experience
Market Characteristics
Data Quality Remediation
Transaction / Trade / Market Surveillance
Fraud Detection, AML
Compliance Concerns
High Risk Behavior Analysis
Default Risk
Forecasting (Cash Flows, Reserves, Write-Offs)
Sales/Profit Optimization
Discovering Structure
(Clustering)
Value Estimation
(Regression)
Irregularity Identification
(Anomaly Detection)
ApproachUse cases
Categorical Prediction
(Classification)
Uses ML technique
► Neural Networks
► Linear/Polynomial Regression
► XGBoost
► Collaborative Filtering
► Transaction Monitoring
► AML
► Compliance
► Trend Detection
► Identification Theft
► Category Prediction
► Sentiment Analysis
► Compliance
► Offering/Market Segmentation
► Topic Mining
► Pattern Discovery
► Network Analysis
► Population Research
► Image Analysis
► Forecasting
► Designing Simulations
► Minimizing Risk
► Cost Analysis
► Optimization
► Hazard Function (Survival Analysis)
► Poison Regression
► Bayesian Analysis
► Decision tree/forecasts
► Support Vector Machines (SVM)
► Neural Networks
► Naïve Bayes
► K-means clustering
► SOM Neural Network
*Applications and Approaches are not mutually exclusive, this is a general overview. Problems can be solved using a variety of methods.
Page 15
Et område hvor man har sett gode resultater innen RegTech er bruk av maskinlæring for å avdekke finansiell kriminalitet
Maskinlæring og prediktiv analyse
► Lager prediksjoner uten å bli fortalt hvor den skal lete
► Lærer fra data og tilpasser seg nye omstendigheter
► Identifiserer skjult innsikt
► Open Source og kommersiell software på markedet
► Veldig skalerbar med tanke på antall kunder og transaksjoner
Egne data er lite utnyttet
Høyt antall falske positive og kostbar saksgang
Dårlig til å oppdage nye typer mistenkelig adferd
Regelverk som begrenser prosessen
1
Page 16
Ved bruk av maskinlæring får hver sak en sannsynlighet for mistenkelig aktivitet, og compliance kan dermed prioritere sakene bedre
MIS Land BeløpAndre
variabler
1 IR 1,234 …
0 US 432 …
Andre
alarmer… … …
Sannsynlighet for MIS Anbefaling
0.99 Eskaler
0.60 Eskaler
0.10 Lukk
0.34 Mer info
Pro
babili
tyof
Pro
ductivity
Value of Variable
Illustrative
Modellering
Anbefaling
Lukk vs eskaler
Analyse og gjennomgang av historiske data
1
Page 17
Automatisert sammenstilling av informasjon
Reelle alarmer
Saksbehandler
Scoring og anbefaling
Falske alarmer
Alarmer
Kunstig intelligens
Big data Maskinlæring
Automatisert tilførsel av informasjon
Robot Kognitiv RPA
Med ny teknologi kan store deler av prosessen automatiseres og saksbehandlere kan bruke mer tid på de reelle sakene 2
Page 18
Ved hjelp av robotteknologi tilføres ny informasjon og samles i et saksoppsett til compliance-medarbeider
Henter data fra interne systemer
45sekunder
per person
Bruker søkemotor til å finne mer
informasjonOppsummerer funn i rapport og legger inn i
sakssystem
Roboten settes i arbeid
2
Page 19
Video Cognitive investigator 2
Page 20
Tap og tyveri av PCer
og mobiltelefoner
Uautorisert overføring av
data til minnepenner ol.
Fildeling
E-mailSosiale media, chat,
personlig epost Kopiering og printing av sensitive data
Sensitive data lagret på
ubeskyttede områder
Vanlige kilder til tap av data
3
Brudd på taushetsplikt I
samtaler
Det er essensielt å ha kontroll på (personinformasjon og sensitive) data
Page 21
Med ny teknologi kan vi nå identifisere datatap og legge til rette for mer målrettet arbeid for å forhindre dette
Switch
Databaser
Datamaskiner
Switch
Data som
ikke brukes
Data i
bevegelseData i bruk
Internett
EndpointKontrollere brukermuligheter i
endesystemer
Overvåke
Oppdage og rapportere
sensitive dataflyt
OppdageScanne nettverket og
maskiner for å oppdage og
rapportere ubeskyttede
sensitive data
ForhindreOppdage sensitiv
dataflyt og blokkere
trafikk som bryter
interne retningslinjer
Email, SSL,
Web proxy
3
Page 22
Reduserte kostnader ved compliance
Skalerbare løsninger
Forhindre uønsket adferd
Økt grad av compliance (100% test)
Kort sikt Lang sikt
Økt kundetilfredshet
Bedre risikohåndtering og økt tillit i markedet
Bedre rapportering/oversikt
Styrket governance
Formålet med RegTech er å redusere kostnadene og forbedre compliance
