KYC-ens konkurrerende regler
KYC-regler (Know Your Customer) skaper en reell spenning for fintech-selskaper. Tilsynsmyndigheter onsker grundige identitetskontroller. De krever at selskaper samler inn og bekrefter personlige dokumenter. Men datalover drar i motsatt retning. De krever at selskaper minimerer de dataene nar de forst er samlet inn.
En bank som apner en ny konto samler inn mange dokumenter. Disse inkluderer nasjonale ID-kort, pass og forerkort. Den samler ogsa inn adressebevis og finansielle dokumenter. Disse filene inneholder tett persondata. GDPR, AML-regler og bankttilsynsmyndigheter krever alle streng handtering.
Nar disse dataene flyttes til svindelsystemer eller analyse, gjelder ekstra regler. GDPRs dataregler trer i kraft. Personopplysninger ma maskeres eller de-identifiseres for enhver sekundaer bruk.
2-dagers koeproblem
En digital bank behandlet 5 000 KYC-soknader daglig pa tvers av 15 EU-land. PII-skannetrinnet skapte et alvorlig problem. Falskpositiv-raten var for hoy. Gjennomgangsko-ene vokste til de narte en 2-dagers etterslep.
Rotarsaken var klar. Det maskinlaeringsbaserte verktoy et flagget omtrent 8 % av ikke-PII-tekst som personopplysninger. Hver fil hadde mange sider. Det daglige volumet av falske positive var for stort for teamet til a behandle pa en dag. De falt stadig etter.
De falske positive falt inn i tre grupper:
- Selskapsnavn flagget som personnavn (modellen forvekslet egennavn)
- Referansekoder flagget som ID-numre (ingen kontrollsumsjekk ble brukt)
- Vanlige fornavn som "Chase" i banknavn flagget som PII for personnavn
Hvert falskt positivt krevde menneskelig gjennomgang. Med 8 % pa tvers av 5 000 daglige filer ga dette tusenvis av daglige oppgaver. Ingen kunne automatiseres bort.
Hva ACL-forskningen viser
ACL 2024-forskning testet flerspraklige NLP-modeller for PII-deteksjon. Funnet var slaaende. Bare 5 % av flerspraklige NLP-modeller naar bedre enn 85 % F1-score for ikke-engelsk PII pa tvers av alle 24 EU-sprak.
F1-score kombinerer presisjon og tilbakekalling. Lav presisjon betyr mange falske positive. Lav tilbakekalling betyr mange oversette elementer. Begge utfall scorer darlig. 95 %-mislykkelses-raten for a na 85 % F1 viser hvor vanskelig krysspraklig PII-skanning er i praksis.
Til sammenligning oppnar XLM-RoBERTa en 91,4 % krysspraklig F1 for PII-oppgaver. Dette tallet er fra HuggingFace 2024-benchmarking. Gapet mellom 91,4 % og medianmodellen forklarer hvorfor hyllevare-verktoy feiler i flerspraklig KYC.
Hybriddesign for KYC i hoyt volum
Problemet med falske positive er losbart. Tre designvalg loser det.
Regex med kontrollsumsjekk: Nasjonale ID-numre har faste regler. Tysk Steuer-ID, nederlandsk BSN og polsk PESEL bruker alle kontrollsummatematikk. Hvis et nummer ikke bestir kontrollsummen, er det ikke en nasjonal ID. Format pluss kontrollsum gir naer null falske positive for disse ID-ene.
Kontekstbevisst NLP for navn: Personnavn i KYC-filer forekommer pa kjente steder. Disse inkluderer "Navn:", "Etternavn:" og faste skjemafelt. A kreve et kontekstord for a flagge et navn reduserer falske positive. Det hindrer selskapsnavn i a utlose personnavn-varsler.
Terskeljustering per filtype: KYC-filer er annerledes enn supporte-poster eller medisinske notater. Hver type har en annen PII-blanding. A sette terskler per filtype lar team justere etter sine behov. KYC i hoyt volum far hoyere presisjon. Medisinsk de-identifisering far hoyere tilbakekalling.
2-dagers etterslepet er ikke en uunngaelig kostnad ved PII-skanning. Det er en kostnad ved a bruke generiske verktoy pa en spesifikk arbeidsflyt. Losningen er oppsett, ikke et storre team.
Var GDPR-samsvarsguide dekker regler for dataminimering. Var sikkerhets- og samsvarsoversikte forklarer de tekniske kontrollene som stotter samsvarende KYC-arbeidsflyter.