技术提供商:Ayasdi
用户的公司：汇丰银行
公司描述:用户汇丰控股是英国跨国银行和金融服务控股公司，拥有遍布世界各地和超过20名万名员工的办公室。
行业：财务
应用:金融风险
问题
行业标准接近交易监控等各类金融犯罪风险检测的大部分是无效的，即使他们满足监管要求。为了变得更有效率和更有效地定位潜在的犯罪活动中，汇丰银行实现它有投资“自动化那些传统上被成千上万的人的进行反洗钱（AML）调查”，并正与多家公司，其中包括在Ayasdi，支持这种方法。
估计“反洗钱”工作的成本颇具挑战性2006年就读马里兰大学据估计，与洗钱相关的交易约占全球GDP的2%，即每年约1.5万亿美元。
Ayasdi的首席客户官Sangeeta Chakraborty告诉我们(在一次专门针对该案例研究的采访中)，对于“反洗钱”工作，银行有责任证明他们已尽其所能阻止此类交易。大多数银行都应用了无数的规则作为交易的过滤器(例如，如果你通常进行200美元的小额珠宝交易，突然你向罗马尼亚发送了2100万美元，系统可能会标记金额、目的地，或者两者都有)。
Chakraborty说，这些规则没有足够的更新(也没有足够的灵活性)来充分处理洗钱威胁。Chakraborty进一步指出，大多数银行一直雇佣手工工人来分析数据并构建新规则，这种方法根本无法扩展。
采取的行动
Ayasdi工作人员的参与:数据科学家(查找数据/完成功能工程…通过Ayasdi平台运行它)。Chakraborty指出，该平台支持通过各种算法运行数据的非监督方式，所有这些算法的目标都是在事务数据中找到惟一的分组和关系。
汇丰银行工作人员的参与：银行的风险领域。谁知道交易和反洗钱数据的一个人。该银行还参与它的IT团队来帮助Ayasdi访问和组织反洗钱数据。Chakraborty的还报告说，所有大银行的内部模型的评审组。这组用于复制当局的努力，试图验证算法预测什么，以便它可以被理解和容易解释成为可能。这样一个小组参与了汇丰此应用程序。
Ayasdi帮助将它的分析整理成一种格式，以便银行能够理解它。这种结果的显示和组织是在Ayasdi平台中完成的。Ayasdi创建一个决策树来显示如何在系统中做出决策，目的是避免学习机的“黑匣子”的问题，不能在严格的监管金融部门的允许。
Ayasdi的专长是不特定于AML，但在AI方法和结果的集群。The analysis that follows involves the AML-specific skills and experience of the HSBC teams, who are able to determine the usefulness and meaning behind Ayasdi’s “clusters”, allowing them to strategically decide which of these unique patterns should be permitted to update their AML rules and systems.
结果
Ayasdi声称已经发现了许多新的情况和模式直接相关的欺诈行为 - 以及减少汇丰误报了20％（当汇丰银行的现有规则会被判洗钱风险的时候没有这样的风险确实存在的情况下）。
转让的教训
检测模式是机器学习做得最好的，这也是为什么两者都做得最好的原因欺诈识别和网络安全应用程序越来越多地集成了机器学习。在对手总是试图找到新的方法来与系统博弈的情况下，机器学习擅长于发现新的行为模式和行为异常。
除了上面的洗钱程序，这里是哪里的机器学习可以发现欺诈或不需要的客户或用户行为的一些其他方面：
- 信用卡上检测欺诈性交易
- 检测社交网络上的虚假账户和真实账户
- 检测假与真正的反向链接作为搜索引擎（例如必应和谷歌的应用程序）
- 在公司的电脑上发现不寻常的用户，如果用户不是他们所说的那个人，就切断访问(例如，如果黑客访问和雇员的账户，并开始使用不同的程序和访问不同于雇员通常访问的文件)
- 和更多的……
（注：2017年Ayasdi的桑吉塔Chakraborty的是在我们的客人人工智能的播客。你可以在这里看到她的故事。)
