Конкурирующие требования KYC
Правила «Знай своего клиента» (KYC) создают реальное противоречие для финтех-компаний. Регуляторы требуют тщательной проверки личности. Они обязывают компании собирать и верифицировать личные документы. Но законы о данных действуют в противоположном направлении: они требуют минимизировать эти данные после их сбора.
Банк, открывающий новый счёт, собирает множество документов. Это национальные удостоверения личности, паспорта и водительские удостоверения. Также подтверждение адреса и финансовые документы. Эти файлы насыщены персональными данными. GDPR, правила ПОД/ФТ и банковские надзорные органы — все требуют строгого обращения.
Когда эти данные передаются в системы противодействия мошенничеству или аналитики, применяются дополнительные правила. Вступают в силу нормы GDPR о данных. Персональные данные должны быть маскированы или деидентифицированы перед любым вторичным использованием.
Проблема двухдневного ожидания
Цифровой банк обрабатывал 5 000 KYC-заявок ежедневно в 15 странах ЕС. Этап сканирования ПДн создал серьёзную проблему. Уровень ложных срабатываний был слишком высок. Очереди на проверку росли до двухдневного журнала ожидания.
Первопричина была очевидна. Их инструмент на основе ML помечал около 8% нечувствительного текста как персональные данные. Каждый файл состоял из многих страниц. Ежедневный объём ложных срабатываний был слишком велик для команды, чтобы закрывать его за один день. Они постоянно отставали.
Ложные срабатывания делились на три группы:
- Названия компаний помечались как имена людей (модель путала имена собственные)
- Справочные коды помечались как номера идентификаторов (проверка контрольной суммы не использовалась)
- Распространённые имена типа «Chase» в названиях банков помечались как ПДн имён
Каждое ложное срабатывание требовало проверки человеком. При 8% по 5 000 ежедневных файлов это давало тысячи ежедневных задач. Ни одну из них нельзя было автоматизировать.
Что показывает исследование ACL
Исследование ACL 2024 года протестировало многоязычные NLP-модели для обнаружения ПДн. Результат оказался разительным. Только 5% многоязычных NLP-моделей достигают F1-оценки выше 85% для неанглийских ПДн по всем 24 языкам ЕС.
F1-оценка сочетает точность и полноту. Низкая точность означает много ложных срабатываний. Низкая полноту — много пропущенных элементов. Оба исхода дают плохую оценку. Показатель 95% провалов для достижения 85% F1 показывает, насколько сложно кросс-лингвальное сканирование ПДн на практике.
XLM-RoBERTa, напротив, достигает кросс-лингвальной F1 91,4% для задач обнаружения ПДн. Эта цифра из бенчмарка HuggingFace 2024 года. Разрыв между 91,4% и медианной моделью объясняет, почему готовые инструменты дают сбои в многоязычном KYC.
Гибридный дизайн для высокообъёмного KYC
Проблема ложных срабатываний решаема. Три конструктивных выбора её устраняют.
Регулярные выражения с проверкой контрольных сумм: Национальные номера идентификаторов имеют фиксированные правила. Немецкий Steuer-ID, нидерландский BSN и польский PESEL используют математику контрольных сумм. Если число не проходит контрольную сумму — это не национальный идентификатор. Формат плюс контрольная сумма дают практически нулевые ложные срабатывания для этих идентификаторов.
Контекстно-зависимый NLP для имён: Имена людей в KYC-файлах появляются в известных местах. Это поля «Имя:», «Фамилия:» и установленные поля форм. Требование контекстного слова перед пометкой имени сокращает ложные срабатывания. Оно не позволяет названиям компаний срабатывать как имена людей.
Настройка пороговых значений по типу файла: KYC-файлы отличаются от электронных писем поддержки или медицинских заметок. У каждого типа свой состав ПДн. Установка пороговых значений по типу файла позволяет командам настраиваться под свои нужды. Высокообъёмный KYC требует высокой точности. Медицинская деидентификация требует высокого охвата.
Двухдневный журнал ожидания — не неизбежная стоимость сканирования ПДн. Это стоимость использования общих инструментов в специфическом рабочем процессе. Решение — в настройке, а не в расширении команды.
Наше руководство по соответствию GDPR охватывает правила минимизации данных. Наш обзор безопасности и соответствия описывает технические средства контроля для соответствующих KYC-рабочих процессов.