KYCren Lehiakideak diren Arauak
Bezero Ezagutu (KYC) arauek fintech enpresen artean benetako tentsioa sortzen dute. Arautzaileek sakoneko nortasun-egiaztapenak nahi dituzte. Enpresek datu pertsonaleko dokumentuak bildu eta egiaztatzea eskatzen dute. Baina datu-legeak bestera bultzatzen dute. Enpresek datu hori bilduta dagoenean murriztu behar dutela eskatzen dute.
Kontu berria irekitzen duen banku batek dokumentu asko biltzen ditu. Horrek nortasun-txartel nazionalak, pasaporteak eta gidabaimeneak barne hartzen ditu. Helbidearen froga eta diru-agirien paperak ere biltzen ditu. Fitxategi hauek datu pertsonalez beterik daude. GDPR, AML arauak eta banku-gainbegiratzaileek guztiek trataera zorrotza eskatzen dute.
Datu hori iruzur-sistemara edo analisira mugitzen denean, arau gehigarriak aplikatzen dira. GDPRren datu-arauak abian jartzen dira. Datu pertsonalak estali edo anonimizatu behar dira bigarren erabilera baino lehen.
2 Eguneko Atzerapen-Arazoa
Banku digital batek egunean 5.000 KYC eskabide kudeatzen zituen 15 EBko herrialdetan. Haien PII eskaneatze-urratsak arazo larria sortu zuen. Positibo faltsuen tasa handiegia zen. Berrikuspen-ilarak hazi ziren 2 eguneko atzerapenera iritsi arte.
Erroa argia zen. Haien ML oinarritutako tresnak PII ez diren testuen inguruan %8 datu pertsonalez markatu zituen. Fitxategi bakoitzak orrialde asko zituen. Eguneko positibo faltsuaren bolumena handiegia zen taldeak egun bakar batean garbitzeko. Atzean geratzen jarraitzen zuten.
Positibo faltsuak hiru taldetan zeuden:
- Enpresa-izenak pertsona-izen gisa markatuak (modeloak izen bereziak nahastu zituen)
- Erreferentzia-kodeak ID-zenbaki gisa markatuak (egiaztapen-digitalik ez zen erabili)
- "Chase" bezalako izen arruntenak banku-izenetan pertsona-izen PII gisa markatuak
Positibo faltsu bakoitzak giza berrikuspen bat behar zuen. %8an eguneko 5.000 fitxategitan, honek milaka eguneko ataza ekoizten zituen. Bat ere ezin zen automatikoki kendu.
ACL Ikerketak zer Erakusten Duen
ACL 2024eko ikerketak PII detekziorako hizkuntza anitzeko NLP modeloak probatu zituen. Aurkikuntza nabarmena izan zen. Hizkuntza anitzeko NLP modelen %5ak soilik lortzen du %85 F1-puntuaziotik gorako PII ez-ingeles guztientzat EBko 24 hizkuntza guztietan.
F1-puntuazioak zehaztasuna eta berraromatzea konbinatzen ditu. Zehaztasun txikiak positibo faltsu asko esan nahi du. Berraromate txikiak galdutako elementu asko esan nahi du. Bi emaitzak txarto puntuatzen dira. %85 F1 lortzeko %95eko porrota-tasak erakusten du zein zaila den hizkuntza anitzeko PII eskaneatze gurutzatua praktikan.
Aldiz, XLM-RoBERTa-k %91,4ko hizkuntza gurutzatuko F1 lortzen du PII atazetan. Zifra hori HuggingFace 2024ko benchmarking-etik dator. %91,4 eta mediana-modeloaren arteko aldeak azaltzen du zergatik huts egiten duten merkaturako tresnak hizkuntza anitzeko KYCan.
Diseinu Hibrido Bolumen Handiko KYCrako
Positibo faltsuen arazoa konpongarria da. Hiru diseinu-aukerek konpontzen dute.
Egiaztapen-digitalarekin Regex: Nortasun-ID zenbakiek arau finkoak dituzte. Alemaniako Steuer-ID, Holandako BSN eta Poloniako PESEL bakoitzak egiaztapen-digital matematika erabiltzen du. Zenbaki batek egiaztapen-digitua huts egiten badu, ez da nortasun nazionaleko IDa. Formatua gehi egiaztapen-digitua ia-zero positibo faltsua sortzen du ID hauentzat.
Testuinguru-jakitun NLP izenak: Pertsona-izenak KYC fitxategietan toki ezagunetaetan agertzen dira. Horrek "Izena:", "Abizena:" eta inprimaki-eremu finkatuak barne hartzen ditu. Izen bat markatu aurretik testuinguru-hitz bat eskatzeak positibo faltsuak murrizten ditu. Enpresa-izenak pertsona-izen alarma irekitzea geldiarazten du.
Atariko doikuntza fitxategi-motaren arabera: KYC fitxategiak desberdinak dira laguntza-posta elektronikoetatik edo ohar medikotatik. Mota bakoitzak PII nahastura desberdina du. Atariak fitxategi-motaren arabera ezartzeak taldeei beraien beharretarako doitu ahal izaten die. Bolumen handiko KYCk zehaztasun handiagoa lortzen du. Mediku-anonimizazioak berraromate handiagoa lortzen du.
2 eguneko atzerapen ez da PII eskaneatzearen saihestezineko kostua. PII eskaneatzea tresna generikoak lan-fluxu zehatz batean erabiltzeko kostua da. Konponketa konfigurazioa da, ez talde handiagoa.
Gure GDPR betetzeko gidak datu-murrizketa arauak estaltzen ditu. Gure segurtasun eta betetzeko ikuspegiaren orrialdeak betetze KYC lan-fluxuak laguntzen dituzten kontrol teknikoak azaltzen ditu.