Suprotstavljeni zahtevi KYC-a
KYC (Upoznaj svog klijenta) propisi stvaraju pravu napetost za fintech preduzeca. Regulatori zele temeljne provere identiteta. Zahtevaju od preduzeca da prikupljaju i verifikuju licne dokumente. Ali zakoni o podacima guraju u suprotnom smeru. Zahtevaju od preduzeca da minimizuju te podatke nakon sto budu prikupljeni.
Banka koja otvara novi racun prikuplja mnoge dokumente. Tu su licne karte, pasosi i vozacke dozvole. Takodjer se prikupljaju dokazi o adresi i finansijska dokumenta. Ove datoteke sadrze guste licne podatke. GDPR, AML propisi i bankarski nadzornici zahtevaju strogo postupanje.
Kada ti podaci predu u sisteme za prevare ili analitiku, primenjuju se dodatna pravila. Stupaju na snagu GDPR pravila o podacima. Licni podaci moraju biti maskirani ili de-identifikovani pre svake ponovne upotrebe.
Problem dvodnevnog kasnjenja
Digitalna banka je obradjivala 5.000 KYC zahteva dnevno u 15 EU zemalja. Korak skeniranja PII izazvao je ozbiljan problem. Stopa lazno pozitivnih bila je previse visoka. Redovi za pregled rasli su dok nisu dostigli dvodnevo kasnjenje.
Korenski uzrok bio je jasan. Njihov ML alat oznacavao je oko 8% teksta koji nije PII kao licne podatke. Svaka datoteka imala je mnogo stranica. Dnevni obim lazno pozitivnih bio je previse velik da bi tim mogao da ga resi u jednom danu. Stalno su zaostajali.
Lazno pozitivni su se podelili u tri grupe:
- Nazivi preduzeca oznaceni kao lica (model je mesao vlastite imenice)
- Referentni kodovi oznaceni kao identifikacioni brojevi (nije koristena provjera kontrolnog zbira)
- Uobicajena imena kao sto je "Chase" u nazivima banaka oznacena kao PII licnih imena
Svaki lazno pozitivan zahtevao je ljudsku reviziju. Pri 8% od 5.000 dnevnih datoteka, ovo je proizvelo hiljade dnevnih zadataka. Nista od toga nije se moglo automatizovati.
Sta istrazivanje ACL pokazuje
ACL 2024 istrazivanje je testiralo visejezicne NLP modele za detekciju PII. Nalaz je bio jasan. Samo 5% visejezicnih NLP modela postize bolji F1 rezultat od 85% za ne-engleski PII na svih 24 EU jezika.
F1 rezultat kombinuje preciznost i odziv. Niska preciznost znaci mnogo lazno pozitivnih. Nizak odziv znaci mnogo propustenih stavki. Oba ishoda dobijaju los rezultat. Stopa od 95% koja ne dostiZe 85% F1 pokazuje koliko je tezko unakrsno-jezicko skeniranje PII u praksi.
Nasuprot tome, XLM-RoBERTa postize 91,4% unakrsno-jezickog F1 za PII zadatke. Ova brojka potice iz HuggingFace 2024 benchmark testiranja. Jaz izmedju 91,4% i medijalnog modela objasnjava zasto gotovi alati ne uspevaju u visejezicnom KYC-u.
Hibridni dizajn za KYC velikog obima
Problem lazno pozitivnih je resiv. Tri projektna izbora ga resavaju.
Regex sa proverom kontrolnog zbira: Nacionalni identifikacioni brojevi imaju fiksna pravila. Nemacki Steuer-ID, holandski BSN i poljski PESEL svaki koriste matematiku kontrolnog zbira. Ako broj ne prodje kontrolni zbir, to nije nacionalni ID. Format plus kontrolni zbir daje gotovo nulte lazno pozitivne za ove ID-ove.
Kontekstualno svesni NLP za imena: Licna imena u KYC datotekama pojavljuju se na poznatim mestima. Tu su "Ime:", "Prezime:" i specificna polja formulara. Zahtev kontekstualne reci pre oznacavanja imena smanjuje lazno pozitivne. Sprecava aktiviranje upozorenja za licna imena od naziva preduzeca.
Podesavanje praga po vrsti datoteke: KYC datoteke se razlikuju od email podrske ili medicinskih belezaka. Svaka vrsta ima drugaci mix PII. Postavljanje pragova po vrsti datoteke omogucava timovima da podesavaju prema svojim potrebama. Visoko-obimni KYC dobija vecu preciznost. Medicinska de-identifikacija dobija veci odziv.
Dvodnevo kasnjenje nije neizbezni trosak skeniranja PII. To je trosak koristenja generickikh alata za specificni radni tok. Resenje je konfiguracija, ne veci tim.
Nas GDPR vodic za uskladjenost pokriva pravila minimizacije podataka. Nas pregled bezbednosti i uskladjenosti objasnjava tehnicke kontrole koje podrzavaju uskladjene KYC radne tokove.